中科院模式识别第三次(第五章)_作业_答案_更多

第5章：线性判别函数

第一部分：计算与证明

1． 有四个来自于两个类别的二维空间中的样本，其中第一类的两个样本为(1,4)T 和(2,3)T ，

第二类的两个样本为(4,1)T 和(3,2)T 。这里，上标T 表示向量转置。假设初始的权向量a=(0,1)T ，且梯度更新步长ηk 固定为1。试利用批处理感知器算法求解线性判别函数g(y)=a T y 的权向量。 解：

首先对样本进行规范化处理。将第二类样本更改为(4,1)T 和(3,2)T . 然后计算错分样本集：

g(y 1) = (0,1)(1,4)T = 4 > 0 (正确) g(y 2) = (0,1)(2,3)T = 3 > 0 (正确) g(y 3) = (0,1)(-4,-1)T = -1 < 0 (错分) g(y 4) = (0,1)(-3,-2)T = -2 < 0 (错分) 所以错分样本集为Y={(-4,-1)T , (-3,-2)T }.

接着，对错分样本集求和：(-4,-1)T +(-3,-2)T = (-7,-3)T

第一次修正权向量a ，以完成一次梯度下降更新：a=(0,1)T + (-7,-3)T =(-7,-2)T 再次计算错分样本集：

g(y 1) = (-7,-2)(1,4)T = -15 < 0 (错分) g(y 2) = (-7,-2)(2,3)T = -20 < 0 (错分) g(y 3) = (-7,-2)(-4,-1)T = 30 > 0 (正确) g(y 4) = (-7,-2)(-3,-2)T = 25 > 0 (正确) 所以错分样本集为Y={(1,4)T , (2,3)T }.

接着，对错分样本集求和：(1,4)T +(2,3)T = (3,7)T

第二次修正权向量a ，以完成二次梯度下降更新：a=(-7,-2)T + (3,7)T =(-4,5)T 再次计算错分样本集：

g(y 1) = (-4,5)(1,4)T = 16 > 0 (正确) g(y 2) = (-4,5)(2,3)T = 7 > 0 (正确) g(y 3) = (-4,5)(-4,-1)T = 11 > 0 (正确) g(y 4) = (-4,5)(-3,-2)T = 2 > 0 (正确)

此时，全部样本均被正确分类，算法结束，所得权向量a=(-4,5)T 。

2． 在线性感知算法中，试证明引入正余量b 以后的解区(a T y i ≥b)位于原来的解区之中(a T y i >0)，

且与原解区边界之间的距离为b/||y i ||。

证明：设a*满足a T y i ≥b,则它一定也满足a T y i >0，所以引入余量后的解区位于原来的解区a T y i >0之中。

注意，a T y i ≥b 的解区的边界为a T y i =b,而a T y i >0的解区边界为a T y i =0。a T y i =b 与a T y i =0两个边界之间的距离为b/||y i ||。（因为a T y i =0过坐标原点，相关于坐标原点到a T y i =b 的距离。） 3． 试证明感知器准则函数正比于被错分样本到决策面的距离之和。

证明：感知器准则函数为：

()()T

Y

J ∈=

-∑y a a y

决策面方程为a T y=0。当y 为错分样本时，有a T y ≤0。此时，错分样本到决策面的距离为a T y/||a||。所有样本到决策面的距离之和为

()T Y

r ∈=-∑y a y a

结论得证。

4． 对于多类分类情形，考虑one -vs -all 技巧，即构建 c 个线性判别函数：

0(),

1,2,...,T i i i g w i c =+=x w x ， 此时的决策规则为：对 j ≠ i , 如果 g i (x ) > g j (x ), x 则被分类 ωi 类。现有三个二维空间

内的模式分类器，其判别函数为

g 1(x ) = -x 1 + x 2

g 2(x ) = x 1 + x 2 -1 g 3(x ) = -x 2

试画出决策面，指出为何此时不存在分类不确定性区域。 解：根据上述决策规则，属于第一类 ω1的区域应满足：

g 1(x ) > g 2(x ) 且g 1(x ) > g 3(x ) 所以ω1的决策界面为： g 1(x ) - g 2(x ) = -2x 1 + 1 = 0。 g 1(x ) - g 3(x ) = -x 1 + 2x 2 = 0。

同样地，属于第二类 ω2的区域应满足：

g 2(x ) > g 1(x ) 且g 2(x ) > g 3(x ) 所以ω2的决策界面为： g 2(x ) - g 1(x ) = 2x 1 - 1 = 0。 g 2(x ) - g 3(x ) = x 1 + 2x 2 - 1 = 0。 属于第三类 ω3的区域应满足：

g 3(x ) > g 1(x ) 且g 3(x ) > g 2(x ) 所以ω2的决策界面为： g 3(x ) - g 1(x ) = x 1 - 2x 2 = 0。

g 2(x ) - g 3(x ) = -x 1 - 2x 2 + 1 = 0。

由于三个决策边界交于一点，因此，不存在不确定性区域。这是因为直线g 1(x )-g 2(x )=0

x ) - g 1(x ) - 2x 2 = 0

g 2(x ) - g 3

(x ) =x 1 + 2x 2

-ω1

与直线g 1(x )-g 3(x )=0的交点一定位于 g 1(x )-g 2(x ) - (g 1(x )-g 3(x )) = g 2(x )-g 3(x ) =0的直线上，即g 2(x )-g 3(x ) =0过它们的交点。

5． 已知模式样本集：ω1 = {(0,0)T , (1,1)T }, ω2 = {(0,1)T , (1,0)T }。采用误差平方准则算法（即

Ho -kashyap 算法）验证它是线性不可分的。（提示：迭代时ηk 固定取1,初始b=(1,1,1,1)T ）

解：首先对第二类样本，进行齐次表示，然后再进行规范化表示，得到如下规范化增广训练数据矩阵：

001111011101⎛⎫ ⎪

⎪= ⎪-- ⎪--⎝⎭

Y Y 的伪逆矩阵为：122221()222243111T T

+---⎛⎫

⎪==-- ⎪ ⎪---⎝⎭

Y Y Y Y

进行第一次迭代a=Y +b=(0,0,0)T 计算误差e=Ya -b=(-1,-1,-1,-1) T

此时，不必再更新b 即可知道不等式组Ya>0无解。因为e 中部分元素为负（此时全为负）。根据Ho -kashyap 算法相关（收敛性）原理，可知原样本集线性不可分。

6. Consider the hyperplane used in discrimination:

(a) Show that the distance from the hyperplane g (x ) = w T x + w 0 = 0 to the point x a is

|g (x a )|/||w || by minimizing ||x -x a ||2 subject to the constraint g (x ) = 0. （提示需要证明两点：其一，点x a 到超平面g (x ) = 0的距离为|g (x a )|/||w ||；其二，该距离是位于超平面g (x ) = 0上使目标函数||x -x a ||2最小的点x 到点x a 的距离。）

(b) Show that the projection of x a onto the hyperplane is given by (即证明点x a 到超平面g (x )

= 0的投影x p 为如下公式)：

2

()

||||

a p a g =-

x x x w w 证明