Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
Теория распознавания образов
Лабораторна робота № 2
Студента группы ВС-101 Карпенкова Никиты
Дослідження геометричних мip близькостм об'ектмв i класів в системах розпізнавання.
Завдання:
Початкові данні для тестування програми i проведения досліджень
Таблица 1
|
6 |
X |
0.5 |
1.00 |
0.25 |
0.7 |
0.64 |
|
Y |
0.8 |
0.60 |
0.70 |
0.8 |
0.88 |
Таблица 2
|
6 |
X Y |
0.04 |
0 |
0.03 |
0.05 |
0.05 |
|
0.54 |
0.6 |
0.47 |
0.75 |
0.80 |
Таблица 3
|
6 |
X |
0.0 |
0.04 |
0.0 0.8 |
0.03 |
0.03 |
|
Y |
0.4 |
0.57 |
0.33 |
0.65 |
Таблица 4
|
6 |
X |
0.38 |
0.90 |
0.02 |
0.04 |
0.04 |
0.06 |
|
Y |
0.60 |
0.70 |
0.72 |
0.80 |
0.82 |
1.00 |
Ход работы
В процессе работы необходимая функциональность была реализована в виде m-файла среды Матлаб.
Оценка близости осуществляется по сумме модулей разниц значений каждого признака. (3)
Код m-файла:
INP(1)=input('X: ');
INP(2)=input('Y: ');
A=[0.5 1 0.25 0.7 0.64
0.8 0.6 0.7 0.8 0.88];
B = [0.04 0 0.03 0.05 0.05
0.54 0.6 0.47 0.75 0.8];
C = [ 0 0.04 0 0.03 0.03
0.4 0.57 0.8 0.33 0.65];
D = [0.38 0.9 0.02 0.04 0.04 0.06
0.06 0.07 0.72 0.8 0.82 1];
A1(1)=sum(A(1,:))/5;
A1(2)=sum(A(2,:))/5;
B1(1)=sum(B(1,:))/5;
B1(2)=sum(B(2,:))/5;
C1(1)=sum(C(1,:))/5;
C1(2)=sum(C(2,:))/5;
D1(1)=sum(D(1,:))/5;
D1(2)=sum(D(2,:))/5;
SABS(1)=abs(INP(1)-A1(1))+abs(INP(2)-A1(2));
SABS(2)=abs(INP(1)-B1(1))+abs(INP(2)-B1(2));
SABS(3)=abs(INP(1)-C1(1))+abs(INP(2)-C1(2));
SABS(4)=abs(INP(1)-D1(1))+abs(INP(2)-D1(2));
Mmax=SABS(1);
for i=1:length(SABS)
if SABS(i)>Mmax
Mmax=SABS(i);
Imax=i;
end;
end;
plot(A', 'xr');
hold on;
plot(B', 'og');
plot(C', '*b');
plot(D', '+m');
plot(INP, 'sk');
fprintf('Принадлежит классу %d', Imax);
Проверка работы модуля на тестовых данных
>> sumabs
X: 0.5
Y: 0.4
Принадлежит классу 2
Выводы: Была проведена работа, в процессе которой был разработан алгоритм принятия решений в детерминированной системе распознавания на основе использования известных мер близости. Разработанный алгоритм был успешно реализован в среде Матлаб. Алгоритм был проверен на тестовых данных с использованием предложенных классов и признаков распознавания. Было выполнено контрольное распознавание неизвестных объектов по векторам их признаков.