模式识别算法matlab程序_压缩_剪辑近邻法_parzen窗_c均值算法_bayes判别.zip

%% 剪辑近邻法 %% 初始化操作 clc close all clear all n=100; N=3*n; %% 训练样本1 二维联合正态分布的期望和方差，并随机产生 N 个样本 mu1=[2 3]; SIGMA1=[20 1.5; 1.5 30]; tra_sam1 = mvnrnd(mu1,SIGMA1,N); %% 训练样本2 二维联合正态分布的期望和方差，并随机产生 N 个样本 mu2=[10,11]; SIGMA2=[20 1.5;1.5 30]; tra_sam2 = mvnrnd(mu2,SIGMA2,N); %% 保留原始样本 tra_sam_org1=tra_sam1; tra_sam_org2=tra_sam2; %% 对样本进行分类，分为3类 num0=0; %% 用于存放上一次剪辑后样本个数 edit_time=0; %% 记录剪辑次数 m=0; %% 记录没有可被剪辑样本的连续次数 N1=N;N2=N; %%分别记录剪辑后样本类1，类2的样本个数 while m<5 m11=1;m21=1;m31=1; m12=1;m22=1;m32=1; %% 将样本分成三类 for i=1:N1 t=rand; if t<=0.33 cell_sam11(m11,:)=tra_sam1(i,:); m11=m11+1; elseif t<=0.66 cell_sam21(m21,:)=tra_sam1(i,:); m21=m21+1; else cell_sam31(m31,:)=tra_sam1(i,:); m31=m31+1; end end for i=1:N2 s=rand; if s<=0.33 cell_sam12(m12,:)=tra_sam2(i,:); m12=m12+1; elseif s<=0.66 cell_sam22(m22,:)=tra_sam2(i,:); m22=m22+1; else cell_sam32(m32,:)=tra_sam2(i,:); m32=m32+1; end end %% 对子集进行剪辑，去掉错分的样本 %% 利用子集2，对子集1中的cell_sam11进行裁剪 cell_sam11=cutting(cell_sam11,cell_sam21,cell_sam22); %% 利用子集2，对子集1中的cell_sam12进行裁剪 cell_sam12=cutting(cell_sam12,cell_sam22,cell_sam21); %% 利用子集3，对子集2中的cell_sam21进行裁剪 cell_sam21=cutting(cell_sam21,cell_sam31,cell_sam32); %% 利用子集3，对子集2中的cell_sam22进行裁剪 cell_sam22=cutting(cell_sam22,cell_sam32,cell_sam31); %% 利用子集1，对子集3中的cell_sam31进行裁剪 cell_sam31=cutting(cell_sam31,cell_sam11,cell_sam12); %% 利用子集1，对子集3中的cell_sam32进行裁剪 cell_sam32=cutting(cell_sam32,cell_sam12,cell_sam11); %% 剪辑后对样本进行整理，合并，组成新的训练样本 tra_sam1=[cell_sam11;cell_sam21;cell_sam31]; tra_sam2=[cell_sam12;cell_sam22;cell_sam32]; cell_sam11=zeros(1,2);cell_sam21=zeros(1,2);cell_sam31=zeros(1,2); cell_sam12=zeros(1,2);cell_sam22=zeros(1,2);cell_sam32=zeros(1,2); [a1,b1]=size(tra_sam1); [c1,d1]=size(tra_sam2); num1=a1+c1; %% 计算剩余总样本个数 N1=a1; N2=c1; if (num1-num0==0) m=m+1; else m=0; end num0=num1; edit_time=edit_time+1; end %% -------------------%% %% 对剪辑好的样本进行压缩 grabbag1=tra_sam1; grabbag2=tra_sam2; grabbag=[grabbag1;grabbag2]; %% 计算存储器grabbag中类1和类2 的个数 [gra_r1,column3]=size(grabbag1); [gra_r2,column4]=size(grabbag2); %% 随机选取一个样本放入store中， %% 可以等价为随机选取类1和类2,两个样本放入store中 store1=grabbag1(1,:); grabbag1=grabbag1(2:gra_r1,:); gra_r1=gra_r1-1; store2=grabbag2(1,:); grabbag2=grabbag2(2:gra_r2,:); gra_r2=gra_r2-1; gra_r=gra_r1+gra_r2; sto_num1=2;%% store 的下标 sto_num2=2; gra_tem=0; m=0; while(m<2*gra_r) t=rand; if t<=0.5 %% 如果属于类1 q=randperm(gra_r1); for i=1:sto_num1-1 distance1(i)=norm(grabbag1(q(1),:)-store1(i,:)); end for i=1:sto_num2-1 distance2(i)=norm(grabbag1(q(1),:)-store2(i,:)); end dist_min1=min(distance1); dist_min2=min(distance2); if dist_min1>dist_min2 %% 如果判断错误，放入store store1(sto_num1,:)=grabbag1(q(1),:); grabbag1=[grabbag1(1:q(1)-1,:);grabbag1(q(1)+1:gra_r1,:)]; gra_r1=gra_r1-1; sto_num1=sto_num1+1; end else %% 如果属于类2 q=randperm(gra_r2); for i=1:sto_num1-1 distance1(i)=norm(grabbag2(q(1),:)-store1(i,:)); end for i=1:sto_num2-1 distance2(i)=norm(grabbag2(q(1),:)-store2(i,:)); end dist_min1=min(distance1); dist_min2=min(distance2); if dist_min1<dist_min2 %% 如果判断错误，放入store store2(sto_num2,:)=grabbag2(q(1),:); grabbag2=[grabbag2(1:q(1)-1,:);grabbag2(q(1)+1:gra_r2,:)]; gra_r2=gra_r2-1; sto_num2=sto_num2+1; end end gra_r=gra_r1+gra_r2; if gra_r==gra_tem m=m+1; else m=0; end gra_tem=gra_r; end edit_time sto_num1=sto_num1-1 sto_num2=sto_num2-1 %% 绘图 %% 绘制原始样本点 figure('NumberTitle', 'off', 'Name', '原样本点'); scatter(tra_sam_org1(:,1),tra_sam_org1(:,2),'r') hold on scatter(tra_sam_org2(:,1),tra_sam_org2(:,2),50,'kx') axis([-20,30,-20,30]) title('原始样本') xlabel('特征1') ylabel('特征2') legend('类1','类2',2) %% 绘制剪辑后样本点 figure('NumberTitle', 'off', 'Name', '剪辑后样本点'); scatter(tra_sam1(:,1),tra_sam1(:,2),'r') hold on scatter(tra_sam2(:,1),tra_sam2(:,2),50,'kx') axis([-20,30,-20,30]) title('算法终止时样本点') xlabel('特征1') ylabel('特征2') legend('类1','类2',2) %% 绘制压缩后样本点 figure('NumberTitle', 'off', 'Name', '压缩后样本点'); scatter(store1(:,1),store1(:,2),'r') hold on scatter(store2(:,1),store2(:,2),50,'kx') axis([-20,30,-20,30]) title('压缩后样本点') xlabel('特征1') ylabel('特征2') legend('类1','类2',2)