昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院學(xué)生實(shí)驗(yàn)報(bào)告〔2014—2015學(xué)年第1學(xué)期〕課程名稱：人工智能 開(kāi)課實(shí)驗(yàn)室：信自樓504 2014年12月30日年級(jí)、專業(yè)、班學(xué)號(hào)姓名成績(jī)實(shí)驗(yàn)工程名稱手寫數(shù)字的識(shí)別指導(dǎo)教師王劍教師評(píng)語(yǔ)該同學(xué)是否了解實(shí)驗(yàn)原理： □ □ □該同學(xué)的實(shí)驗(yàn)?zāi)芰Γ? A.強(qiáng)□ B.中等□ C.差□該同學(xué)的實(shí)驗(yàn)是否到達(dá)要求： □ □ □實(shí)驗(yàn)報(bào)告是否標(biāo)準(zhǔn)： □ □ □實(shí)驗(yàn)過(guò)程是否詳細(xì)記錄： □ B.一般□ C.沒(méi)有□教師簽名：年月日一、上機(jī)目的及內(nèi)容1.上機(jī)內(nèi)容：利用基于類中心的歐式距離分類器和基于概率統(tǒng)計(jì)的貝葉斯分類器的手寫數(shù)字識(shí)別2.上機(jī)目的：掌握模式識(shí)別的幾種方法二、實(shí)驗(yàn)原理及根本技術(shù)路線圖〔方框原理圖或程序流程圖〕、步驟模式識(shí)別有四個(gè)根本步驟： ①訓(xùn)練數(shù)據(jù)獲取預(yù)處理 ②特征提取、選擇 ③分類器設(shè)計(jì) ④使用分類器進(jìn)行分類第一步中我們通過(guò)將數(shù)字圖像被分成n行n列格子，一般去5行5列，共5*5個(gè)特征X:(x1,x2,x3,……x25)共有9個(gè)數(shù)字，因此X有9類然后統(tǒng)計(jì)每個(gè)格子中黑色像素的個(gè)數(shù)，除以該格子中所有的像素?cái)?shù)目，即得一個(gè)特征每個(gè)樣本都有25個(gè)特征，看你有多少個(gè)樣本，就得到多少列25行的特征矩陣，比方我有5個(gè)樣本，我就能得到5列25行的特征矩陣下面進(jìn)行分類器的設(shè)計(jì)：基于類中心的歐式距離分類器 有M個(gè)類，每個(gè)類有個(gè)樣品 類表示 對(duì)任意待識(shí)別〔分類〕樣品 計(jì)算 其中為第i類的中心，比擬x到各類中心的距離，假設(shè)滿足，j=1,2,…,Mi≠j，那么下面通過(guò)簡(jiǎn)單的坐標(biāo)圖表示了歐式距離的具體內(nèi)容：基于概率統(tǒng)計(jì)的Bayes分類器：數(shù)據(jù)表示：對(duì)5*5樣本的每個(gè)格子，計(jì)算T=黑色像素總數(shù)量/每個(gè)格子像素總數(shù)量；假設(shè)T大于閾值0.05，那么特征值取1，否那么取0。我們假設(shè)h表示猜想的概率，D表示實(shí)際數(shù)據(jù)的概率，那么 其中表示先驗(yàn)概率，代表似然概率 然后用Bayes公式求后驗(yàn)概率，后驗(yàn)概率最大值的類別就是手寫數(shù)字的所屬類別。三、所用儀器、材料〔設(shè)備名稱、型號(hào)、規(guī)格等或使用軟件〕，1臺(tái)PC及MATLAB軟件四、實(shí)驗(yàn)方法〔或：程序代碼或操作過(guò)程〕手寫數(shù)字特征的數(shù)據(jù)：%%創(chuàng)立訓(xùn)練樣本庫(kù)clearall;clc; %清屏loadtemplet;%A被分成5*5=25個(gè)cell%注意A的size〔長(zhǎng)和寬都需被定義成5的倍數(shù)，因?yàn)楹竺嬉?除〕A=imread(‘8_1.bmp’);%讀取手寫數(shù)字的灰度圖Figure(1),imshow(A) %顯示B=zeros(1,25); %創(chuàng)立1列25行的數(shù)組[rowcol]=size(A); cellRow=row/5 %除以5得到25分之1的小格子cellCol=col/5 基于類中心的歐式距離分類器：functiony=euclid(sample);clc; %清屏loadtempletpattern; %下載手寫數(shù)字的特征d=0;p=[];%各類別代表點(diǎn)dmin=[inf,0];%calculatethecenterpointofeachclass計(jì)算各類別中心點(diǎn)fori=1:9temp=mean(pattern(i).feature');%將圖片轉(zhuǎn)成灰度圖p(:,i)=temp';endfori=1:9d=(sample-p(:,i))'*(sample-p(:,i))ifdmin(1)>ddmin(1)=d;dmin(2)=i;endendy=dmin(2);基于概率統(tǒng)計(jì)的Bayes分類器：functiony=bayesBinary(sample);clc; %清屏loadtempletpattern; %下載手寫數(shù)字的特征矩陣sum=0; %初始化sumprior=[];% %先驗(yàn)概率p=[]; %各類別代表點(diǎn)likelihood=[]; %似然概率P=[];%calculatepriorpropability計(jì)算先驗(yàn)概率fori=1:9sum=sum+pattern(i).num;endfori=1:9prior(i)=pattern(i).num/sum;end%calculatelikelihoodpropability計(jì)算似然概率fori=1:9forj=1:25sum=0;fork=1:pattern(i).numif(pattern(i).feature(j,k)>0.05)sum=sum+1;endendp(j,i)=(sum+1)/(pattern(i).num+2);endendfori=1:9sum=1;forj=1:25if(sample(j)>0.05)sum=sum*p(j,i);elsesum=sum*(1-p(j,i));endendlikelihood(i)=sum; %將似然概率賦值給sumend%calculatebayespropability計(jì)算貝葉斯概率sum=0;fori=1:9sum=sum+prior(i)*likelihood(i);endfori=1:9P(i)=prior(i)*likelihood(i)/sum;end[maxvalmaxpos]=max(P);y=maxpos;五、運(yùn)行截圖歐式距離分類器：貝葉斯分類器：六、實(shí)驗(yàn)總結(jié) 這個(gè)試驗(yàn)用了2個(gè)方法來(lái)實(shí)現(xiàn)手寫數(shù)字的識(shí)別，一個(gè)是基于類中心的歐式距離分類器，還有一個(gè)是基于概率的貝葉斯分類器。歐式距離是通過(guò)選取某一類樣本x，計(jì)算x的類中心，再計(jì)算待測(cè)試樣品x與訓(xùn)練集里每個(gè)類中心的距離，找出距離待測(cè)試樣品最近的類別，該類別就是待測(cè)試樣品的類別；貝葉斯是通過(guò)計(jì)算先驗(yàn)概率，然后用Bayes公式求后驗(yàn)概率，后驗(yàn)概率最大值的類別就是手寫數(shù)字的所屬類別。 手寫數(shù)字在現(xiàn)在的生活中越來(lái)越常用了，所以一個(gè)好的識(shí)別