模式识别教材书选择填空期末汇总

参考教材书：《模式识别》吴陈等编著，机械工业出版社。

第2章（P47）

2.11 选择题

（1）影响聚类算法结果的主要因素有（BCDBCDBCD）

A.A.A. 已知类别的样本质量 B.B.B. 分类准则 C.C.C. 特征选取 D.D.D. 模式相似性测度

（2）聚类分析算法属于（AAA）

A.A.A. 无监督分类 B.B.B. 有监督分类 C.C.C. 统计模式识别方法 D.D.D. 句法模式识别方法

（3）影响 K−K-K−均值聚类算法效果的主要因素之一是初始聚类中心的选取，相比较而言，怎样选择 kkk 个样本作为初始聚类中心较好（CCC）

A.A.A. 按输入顺序选前 B.B.B. 选相距最远的 C.C.C. 选分布密度最高处的 D.D.D. 随机挑选

（4）如下聚类算法中，属于静态聚类算法的是（ABABAB）

A.A.A. 最大最小距离聚类算法 B.B.B. 层次聚类算法 C.C.C. K−K-K−均值聚类算法 D.D.D. ISODATAISODATAISODATA 算法

（5）若描述模式的特征量为 0−10-10−1 二值特征向量，则一般采用（DDD）进行相似度量。

A.A.A. 距离测度 B.B.B. 模糊测度 C.C.C. 相似测度 D.D.D. 匹配测度

2.12 填空题

（1）影响层次聚类算法结果的主要因素有计算模式距离的测度、聚类准则、类间距离阈值、预定的类别数目。

（2）层次聚类算法为凝聚法和分裂法。

（3）动态聚类算法选择若干样品作为聚类中心，再按照某种聚类准则，将其余的样品归入各中心，得到初始分类。

（4）影响 K−K-K−均值聚类算法的因素有聚类中心个数、初始聚类中心、样品的几何性质及排列次序。

第3章（P95）

3.16 选择题

（1）费歇尔线性判别函数的求解过程是将 NNN 维特征向量投影在（BBB）中进行。

A.A.A. 二维空间 B.B.B. 一维空间 C.C.C. N−1N-1N−1 维空间 D.D.D. 三维空间

（2）感知器算法（AAA）情况。

A.A.A. 只适用于线性可分 B.B.B. 只适用于线性不可分 C.C.C. 不适用于线性可分 D.D.D. 适用于线性可分和不可分

（3）H−KH-KH−K 算法（DDD）。

A.A.A. 只适用于线性可分 B.B.B. 只适用于线性不可分 C.C.C. 不适用于线性可分 D.D.D. 适用于线性可分和不可分

（4）位势函数法的积累势函数 K(X)K(X)K(X) 的作用相当于贝叶斯判别中的（BDBDBD）。

A.A.A. 先验概率 B.B.B. 后验概率 C.C.C. 类概率密度 D.D.D. 类概率密度与先验概率的乘积

（5）聚类分析算法属于无监督分类；判别域代数界面方程法属于（CCC）。

A.A.A. 无监督分类 B.B.B. 有监督分类 C.C.C. 统计模式识别方法 D.D.D. 句法模式识别方法

（6）类域界面方程法中，能求线性不可分情况下分类问题近似或精确解的方法是（BCDBCDBCD）。

A.A.A. 感知器算法 B.B.B. 伪逆法 C.C.C. 基于二次准则的 H−KH-KH−K 算法 D.D.D. 势函数法

对于D，势函数法：势函数非线性。
对于C，基于二次准则的H-K算法：在最小均方误差准则下求得权矢量，可以解决非线性问题。
对于B，伪逆法：径向基（RBF）神经网络的训练算法，解决线性不可分的情况。
对于A，感知器算法：线性分类模型。
“不能求解线性不可分情况下的分类问题” 即：“不能求解非线性分类问题”，感知器算法属于线性分类模型，故不能求解非线性分类问题。
汇总：解决非线性问题：势函数法；基于二次准则的H-K算法；伪逆法

只能解决线性问题：感知器算法。

（7）判别域代数界面方程法属于（BBB）。

A.A.A. 无监督分类 B.B.B. 统计模式识别方法 C.C.C. 模糊模式识别方法 D.D.D. 句法模式识别方法

（8）下列判别域界面方程法中只适用于线性可分情况的算法有（ADADAD）。

A.A.A. 感知器算法 B.B.B. H−KH-KH−K 算法 C.C.C. 积累位势函数法 D.D.D. 费歇尔线性判别法

（9）线性可分、不可分都适用的有（CCC）。

A.A.A. 感知器算法 B.B.B. H−KH-KH−K 算法 C.C.C. 积累位势函数法 D.D.D. 费歇尔线性判别法

3.17 填空题

（1）LMSELMSELMSE 算法是对准则函数引进最小均方误差这一条件而建立起来的。

（2）核方法首先采用非线性映射将原始数据由低维空间映射到高维空间，进而在特征空间进行着对应的线性操作。

（3）线性判别函数的正负和数值大小的几何意义是，正负表示样本点位于判别界面法向量指向的正（负）半空间中，绝对值正比于样本点到判别界面的距离。

第5章（P184）

5.2 选择题

（1）欧氏距离具有（ABABAB），马氏距离具有（ABCDABCDABCD）

A.A.A. 平移不变形 B.B.B. 旋转不变形 C.C.C. 尺寸缩放不变形 D.D.D. 不受量纲影响的特性

（2）下列函数可以作为聚类分析中的准则函数的有（ACDACDACD）

A.tr(Sω−1Sb)A.tr({S_\omega}^{-1}S_b)A.tr(Sω−1Sb) B.∣SωSb−1∣B.|S_\omega{S_b}^{-1}|B.∣SωSb−1∣

C.∑j=1c∑i=1Nj∣∣Xi(j)−Mj∣∣2C.\sum\limits_{j=1}^{c}\sum\limits_{i=1}^{N_j}||{X_i}^{(j)}-M_j||^2C.j=1∑ci=1∑Nj∣∣Xi(j)−Mj∣∣2 D.∑j=1c(Mj−M)(Mj−M)TD.\sum\limits_{j=1}^{c}(M_j-M)(M_j-M)^TD.j=1∑c(Mj−M)(Mj−M)T

5.3 填空题

（1）设 ωi={xk(i),k=1,2,⋅⋅⋅,Ni}\omega_i=\{{x_k}^{(i)},k=1,2,···,N_i\}ωi={xk(i),k=1,2,⋅⋅⋅,Ni} 的均值向量为 m(i)m^{(i)}m(i)，则由样本集定义的类内均方欧氏距离为 Di‾2=E{D2(Xk,Xl)}=E{(Xk−Xl)T(Xk−Xl)}\overline{D_i}^2=E\{D^2(X_k,X_l)\}=E\{(X_k-X_l)^T(X_k-X_l)\}Di2=E{D2(Xk,Xl)}=E{(Xk−Xl)T(Xk−Xl)}。

（2）三种基于概率密度的判断依据分别为：散度、ChernoffChernoffChernoff界限、巴氏距离。

（3）基于熵的可分性判别定义为 Jh=Ex[−∑i=1cP(ωi∣x)log⁡P(ωi∣x)]J_h=E_x[-\sum\limits_{i=1}^{c}P(\omega_i\mid x)\log P(\omega_i\mid x)]Jh=Ex[−i=1∑cP(ωi∣x)logP(ωi∣x)]，JhJ_hJh 越小，说明模式的可分辨性越强。当 P(ωi∣x)=P(\omega_i\mid x)=P(ωi∣x)= 1c‾\underline{\frac{1}{c}}c1 时，JhJ_hJh 达到极大值。

（4）散度 JijJ_{ij}Jij 越大，说明 ωi\omega_iωi 类模式与 ωj\omega_jωj 类模式的分布分离越开；当 ωi\omega_iωi 类模式与 ωj\omega_jωj 类模式的分布相同时，Jij=J_{ij}=Jij= 0。

第6章（P214）

6.1 句法模式识别中，模式类是如何描述的？
由某个文法所描述的所有模式即句子的集合构成一个模式类。

6.2 文法 GGG 的四元组表达式为： G=(VT,VN,S,P)G=(V_T,V_N,S,P)G=(VT,VN,S,P)。

6.3 按照产生式的形式定义的四种文法的包含关系为：3型 ⊆\subseteq⊆ 2型 ⊆\subseteq⊆ 1型 ⊆\subseteq⊆ 0型。

6.7 句法模式识别中模式表述的方法有（ABCABCABC）

A.A.A. 符号串 B.B.B. 树 C.C.C. 图 D.D.D. 特征向量

第8章（P276）

8.9 神经网络的学习方式有有导师的学习、无导师的学习。

8.10 离散型 HopfieldHopfieldHopfield 神经网络的工作方式有同步、异步、。

8.11 感知器算法只适用于线性可分问题。

8.12 单层感知器网络用于解决线性可分问题，而多层感知器网络可以解决线性不可分问题。

第9章（P285）

9.1 决策树基本由分支结点、分支、叶结点部分组成。

9.2 决策树学习通常包括三个步骤：特征选择、决策树生成、决策树剪枝。

9.3 在属性 AAA 上分支获得的信息增益表示为：Gain(A,D)=Info(D)−E(A,D)=I(s1,s2,⋅⋅⋅,sm)−E(A,D)Gain(A,D)=Info(D)-E(A,D)=I(s_1,s_2,···,s_m)-E(A,D)Gain(A,D)=Info(D)−E(A,D)=I(s1,s2,⋅⋅⋅,sm)−E(A,D)。

9.4 基尼指数是一种数据的不纯度的度量方法，其公式为：Gini(D)=∑j=1mpj(1−pj)=1−∑j=1mpj2Gini(D)=\sum\limits_{j=1}^{m}p_j(1-p_j)=1-\sum\limits_{j=1}^{m}{p_j}^2Gini(D)=j=1∑mpj(1−pj)=1−j=1∑mpj2。

9.5 在建立决策树时，为了降低噪声影响，可进行先剪枝和后剪枝两种剪枝操作。

第10章（P300）

10.4 SVMSVMSVM 是一种两类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器。

10.5 支持向量机利用核函数取代了高位特征空间中的内积运算，解决了算法可能导致的“维数灾难”问题。

第11章（P321）

11.2 设论域 U={1,2,3,4,5}U=\{1,2,3,4,5\}U={1,2,3,4,5} 的二元关系 R1={<2,3>,<3,2>,<3,5>,<5,3>,<5,2>,<2,5>}∪IU,R2={<4,2>,<2,4>,<2,3>,<3,2>,<4,3>,<3,4>,<1,5>,<5,1>}∪IUR_1=\{<2,3>,<3,2>,<3,5>,<5,3>,<5,2>,<2,5>\}\cup I_U,R_2=\{<4,2>,<2,4>,<2,3>,<3,2>,<4,3>,<3,4>,<1,5>,<5,1>\}\cup I_UR1={<2,3>,<3,2>,<3,5>,<5,3>,<5,2>,<2,5>}∪IU,R2={<4,2>,<2,4>,<2,3>,<3,2>,<4,3>,<3,4>,<1,5>,<5,1>}∪IU，其中 IUI_UIU 为 UUU 上的恒等关系，则 U/R1={<2,3,5>,<1>,<4>}U/R_1=\{<2,3,5>,<1>,<4>\}U/R1={<2,3,5>,<1>,<4>}，U/R2={<2,3,4>,<1,5>}U/R_2=\{<2,3,4>,<1,5>\}U/R2={<2,3,4>,<1,5>}。

11.3 信息系统的四元组表达形式为：S=<U,A,V,f>S=<U,A,V,f>S=<U,A,V,f>。