资源描述：
《模式识别期末试题.docx》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、模式识别期末试题一、挖空取取舍挖空（本题问案写正在此试卷上，30分）1、形式辨认体系的基础形成单位包含：形式收罗、特性提与取取舍以及形式分类。2、统计形式辨认中形容形式的圆法一样平常利用特实矢量；句法形式辨认中形式形容圆法一样平常有串、树、网。3、散类剖析算法属于（1）；判断域代数界里圆程法属于（3）。（1）无监视分类(2)有监视分类（3）统计形式辨认圆法（4）句法形式辨认圆法4、若形容形式的特性量为0-12值特性量，则一样平常接纳（4）举行类似性器度。（1）间隔揣测（2）依稀揣测（3）类似揣测（4）婚配揣测5、以下函数能够做为散类剖析中的原则函数的有（1）（3）（4）。（
2、1）（2）(3)(4)6、Fisher线性判断函数的供解历程是将N维特性矢量投影正在（2）中举行。（1）2维空间（2）一维空间（3）N-1维空间7、以下判断域界里圆程法中只合用于线性可分情形的算法有（1）；线性可分、没有可分皆合用的有（3）。（1）感知器算法（2）H-K算法（3）堆集位势函数法8、以下4元组中谦足文法界说的有（1）（2）（4）。（1）({A,B},{0,1},{A→01,A→0A1,A→1A0,B→BA,B→0},A)（2）({A},{0,1},{A→0,A→0A},A)（3）({S},{a,b},{S→00S,S→11S,S→00,S→11},S)（4）(
3、{A},{0,1},{A→01,A→0A1,A→1A0},A)9、影响条理散类算法了局的次要果素有（盘算形式间隔的揣测、（散类原则、类间间隔门限、预约的种别数量））。10、欧式间隔具备（1、2）；马式间隔具备（1、2、3、4）。（1）仄移没有变性（2）扭转没有变性（3）标准缩放没有变性（4）没有受量目影响的个性11、线性判断函数的正背以及数值年夜小的多少何意思是（正（背）暗示样本面位于判断界里法背量指背的正（背）半空间中；尽对于值反比于样本面到判断界里的间隔。）。12、感知器算法1。（1）只合用于线性可分的情形；（2）线性可分、没有可分皆合用。13、堆集势函数法较之于H-K
4、算法的劣面是（该圆法可用于非线性可分情形（也可用于线性可分情形））；位势函数K(x,xk)取堆集位势函数K(x)的闭系为（∑∈=XxxxKxK~kkk),()(α）。14、正在统计形式分类成绩中，聂曼-皮我逊裁决原则次要用于（某一种裁决同伴较另外一种裁决同伴更为主要）情形；最小最年夜裁决原则次要用于（先验几率已知的）情形。15、“特性个数越多越无利于分类”那种道法准确吗？（同伴）。特性取舍的次要目标是（从n个特性当选出最无利于分类的的m个特性（m16、集度Jij越年夜，道明ωi类形式取ωj类形式的散布（好别越年夜）；当ωi类形式取ωj类形式的分布不异时，Jij=（0）。17
5、、已经知无限形态主动机Af=(∑，Q，δ，q0，F)，∑={0，1}；Q={q0，q1}；δ：δ(q0，0)=q1，δ(q0，1)=q1，δ(q1，0)=q0，δ(q1，1)=q0；q0=q0；F={q0}。现有输出字符串：(a)00011101011，(b)1100110011，(c)101100111000，(d)0010011，试问，用Af对于上述字符串举行分类的了局为（ω1:{a,d};ω2:{b,c}）。18、影响散类算法了局的次要果素有（②③④）。①已经知种别的样实质量；②分类原则；③特性拔取；④形式类似性揣测。19、形式辨认中，马式间隔较之于欧式间隔的劣面是（
6、③④）。①仄移没有变性；②扭转没有变性；③标准没有变性；④思索了形式的散布。20、基于2次原则函数的H-K算法较之于感知器算法的劣面是（①③）。①能够判断成绩是不是线性可分；②其解完整合用于非线性可分的情形；③其解的顺应性更好；④盘算量小。21、影响基础C均值算法的次要果素有（④①②）。①样本输出逆序；②形式类似性揣测；③散类原则；④初初类心的拔取。22、位势函数法的堆集势函数K(x)的做用相称于Bayes裁决中的（②④）。①先验几率；②后验几率；③类几率稀度；④类几率稀度取先验几率的乘积。23、正在统计形式分类成绩中，领先验几率已知时，能够利用（②④）。①最小益得原则；②
7、最小最年夜益得原则；③最小误判几率原则；④N-P裁决。24、正在（①③）情形下，用分收定界法做特性取舍盘算量相对于较少。①Cnd>>n,（n为本特性个数，d为要选出的特性个数）；②样本较多；③选用的可分性判据J对于特性数量枯燥没有加；④选用的可分性判据J具备可减性。25、集度JD是依据（③）机关的可分性判据。①先验几率；②后验几率；③类几率稀度；④疑息熵；⑤多少何间隔。26、似然函数的概型已经知且为单峰，则可用（①②③④⑤）估量该似然函数。①矩估量；②最年夜似然估量；③Bayes估量；④Bayes教习；⑤Parze
