?? classification.cpp
字號:
// Classification.cpp: implementation of the Classification class.
// 2005.1.13－16：02 By Superman
//////////////////////////////////////////////////////////////////////
#include "stdafx.h"
//#include "DSPLIT.h"
#include "Classification.h"
#include "matrix.h"
#ifdef _DEBUG
#undef THIS_FILE
static char THIS_FILE[]=__FILE__;
#define new DEBUG_NEW
#endif
//////////////////////////////////////////////////////////////////////
// Construction/Destruction
//////////////////////////////////////////////////////////////////////
Classification::Classification()
{
}
Classification::~Classification()
{
}
/******************************************************************
* 函數名稱：LeastDistance()
* 函數類型：number_no，結構體
* 函數功能：最小距離法 ,返回數字類別和編號
******************************************************************/
number_no Classification::LeastDistance()
{
double min=10000000000;
number_no number_no;
for(int n=0;n<10;n++)
{
for(int i=0;i<pattern[n].number;i++)
{
if(pipei(pattern[n].feature[i],testsample)<min)
{
//匹配的最小值
min=pipei(pattern[n].feature[i],testsample);
number_no.number=n;//樣品類別
number_no.no=i;//樣品序號
}
}
}
return number_no;//返回手寫數字的類別和序號
}
/******************************************************************
* 函數名稱：Fisher_2Classes(int Class0, int Class1)
* 函數類型：int
* 參數說明：Class0,Class1：0～9中的任意兩個類別
* 函數功能：兩類Fisher分類器,返回Class0，Class1中的一個
******************************************************************/
int Classification::Fisher_2Classes(int Class0, int Class1)
{
double Xmeans[2][25];//兩類的均值
double S[2][25][25];//樣品類內離散度矩陣
double Sw[25][25];//總類間離散度矩陣
double Sw_[25][25];//Sw的逆矩陣
double W[25];//解向量w*
double difXmeans[25];//均值差
double X[25];//未知樣品
double m0,m1;//類樣品均值
double y0;//閾值y0
int i,j,k;
for(i=0;i<2;i++)
for(j=0;j<25;j++)
Xmeans[i][j]=0;
int num0,num1; //兩類樣品的個數
//兩類樣品特征
double mode0[200][25],mode1[200][25];
//兩類樣品個數
num0=40;//pattern[Class0].number;
num1=40;//pattern[Class1].number;
for(i=0;i<num0;i++)
{
for(j=0;j<25;j++)
{
Xmeans[0][j]+=pattern[Class0].feature[i][j];
mode0[i][j]=pattern[Class0].feature[i][j];
}
}
for(i=0;i<num1;i++)
{
for(j=0;j<25;j++)
{
Xmeans[1][j]+=pattern[Class1].feature[i][j];
mode1[i][j]=pattern[Class1].feature[i][j];
}
}
//求得兩個樣品均值向量
for(i=0;i<25;i++)
{
Xmeans[0][i]/=(double)num0;
Xmeans[1][i]/=(double)num1;
}
//求兩類樣品類內離散度矩陣
for(i=0;i<25;i++)
for(j=0;j<25;j++)
{
double s0=0.0,s1=0.0;
for(k=0;k<num0;k++)
s0=s0+(mode0[k][i]-Xmeans[0][i])*(mode0[k][j]-Xmeans[0][j]);
s0=s0/(double)(num0-1);
S[0][i][j]=s0;//第一類
for(k=0;k<num1;k++)
s1=s1+(mode1[k][i]-Xmeans[1][i])*(mode1[k][j]-Xmeans[1][j]);
s1=s1/(double)(num1-1);
S[1][i][j]=s1;//第二類
}
//總類間離散度矩陣
for(i=0;i<25;i++)
for(j=0;j<25;j++)
{
Sw[i][j]=S[0][i][j]+S[1][i][j];
}
//Sw的逆矩陣
for(i=0;i<25;i++)
for(j=0;j<25;j++)
Sw_[i][j]=Sw[i][j];
double(*p)[25]=Sw_;
brinv(*p,25); //Sw的逆矩陣Sw_
//計算w* w*＝Sw_×(Xmeans0-Xmeans1)
for(i=0;i<25;i++)
difXmeans[i]=Xmeans[0][i]-Xmeans[1][i];
for(i=0;i<25;i++)
W[i]=0.0;
brmul(Sw_,difXmeans,25,W);//計算出W*
//各類樣品均值
m0=0.0;
m1=0.0;
for(i=0;i<num0;i++)
{
m0+=brmul(W,mode0[i],25);
}
for(i=0;i<num1;i++)
{
m1+=brmul(W,mode1[i],25);
}
m0/=(double)num0;
m1/=(double)num1;
y0=(num0*m0+num1*m1)/(num0+num1);//閾值y0
//對于任意的手寫數字X
for(i=0;i<25;i++)
X[i]=testsample[i];
double y;//X在w*上的投影點
y=brmul(W,X,25);
if (y>=y0)
return Class0;
else
return Class1;
}
/******************************************************************
* 函數名稱：Fisher()
* 函數類型：int
* 函數功能：Fisher分類器,返回手寫數字的類別
******************************************************************/
int Classification::Fisher()
{
int i,j,number,maxval,num[10];
for(i=0;i<10;i++)
num[i]=0;
for(i=0;i<10;i++)
for(j=0;j<i;j++)
num[Fisher_2Classes(i,j)]++;
maxval=num[0];
number=0;
for(i=1;i<10;i++)
{
if(num[i]>maxval)
{
maxval=num[i];
number=i;
}
}
return number;
}
/******************************************************************
* 函數名稱：BayesErzhishuju()
* 函數類型：int
* 函數功能：基于二值數據的Bayes分類器 ,返回手寫數字的類別
******************************************************************/
int Classification::BayesErzhishuju()
{
double Pw[10];//先驗概率P(wj)=Nj/N
double P[10][25];//Pj(wi)wi:wi類，j:第j個特征
double PXw[10];//類條件概率P(X|wj)
double PwX[10];//后驗概率P(wj|X)
int i,j;
//求先驗概率
int n[10];//各類樣品數
int N=0;//樣品總數
for(i=0;i<10;i++)
{
//各數字類別樣品數
n[i]=pattern[i].number;
N+=n[i];//樣品總數
}
for(i=0;i<10;i++)
Pw[i]=(double)n[i]/(double)N;//先驗概率
//求類條件概率
for(i=0;i<10;i++)
{
for(j=0;j<25;j++)
{
int numof1=0;//二值數據中1的個數
for(int k=0;k<pattern[i].number;k++)
numof1+=pattern[i].feature[k][j]>0.1?1:0;
P[i][j]=(double)(numof1+1)/(double)(n[i]+2);
}
}
for(i=0;i<10;i++)
{
double p=1;
for(int j=0;j<25;j++)
{
p*=(testsample[j]>0.1)?P[i][j]:1-P[i][j];
}
PXw[i]=p;
}
//求后驗概率
double PX=0.0,maxP=0.0;
int number;
for(i=0;i<10;i++)
{
PX+=Pw[i]*PXw[i];
}
for(i=0;i<10;i++)
{
PwX[i]=Pw[i]*PXw[i]/PX;
if(PwX[i]>maxP)
{
maxP=PwX[i];
number=i;
}
}
return number;
}
/******************************************************************
* 函數名稱：BayesLeasterror()
* 函數類型：int
* 函數功能：最小錯誤概率的Bayes分類器 ,返回手寫數字的類別
******************************************************************/
int Classification::BayesLeasterror()
{
double X[25];//待測樣品
double Xmeans[25];//樣品的均值
double S[25][25];//協方差矩陣
double S_[25][25];//S的逆矩陣
double Pw;//先驗概率
double hx[10];//判別函數
int i,j,k,n;
for(n=0;n<10;n++)//循環類別0～9
{
int num=pattern[n].number;//樣品個數
//求樣品平均值
for(i=0;i<25;i++)
Xmeans[i]=0.0;
for(k=0;k<num;k++)
{
for(i=0;i<25;i++)
Xmeans[i]+=pattern[n].feature[k][i]>0.10?1.0:0.0;
}
for(i=0;i<25;i++)
Xmeans[i]/=(double)num;
//求協方差矩陣
double mode[200][25];
for(i=0;i<num;i++)
for(j=0;j<25;j++)
mode[i][j]=pattern[n].feature[i][j]>0.10?1.0:0.0;
for(i=0;i<25;i++)
for(j=0;j<25;j++)
{
double s=0.0;
for(k=0;k<num;k++)
s=s+(mode[k][i]-Xmeans[i])*(mode[k][j]-Xmeans[j]);
s=s/(double)(num-1);
S[i][j]=s;
}
//求先驗概率
int total=0;
for(i=0;i<10;i++)
total+=pattern[i].number;
Pw=(double)num/(double)total;
//求S的逆矩陣
for(i=0;i<25;i++)
for(j=0;j<25;j++)
S_[i][j]=S[i][j];
double(*p)[25]=S_;
brinv(*p,25);//S的逆矩陣
//求S的行列式
double (*pp)[25]=S;
double DetS;
DetS=bsdet(*pp,25);//S的行列式
//求判別函數
for(i=0;i<25;i++)
X[i]=testsample[i]>0.10?1.0:0.0;
for(i=0;i<25;i++)
X[i]-=Xmeans[i];
double t[25];
for(i=0;i<25;i++)
t[i]=0;
brmul(X,S_,25,t);
double t1=brmul(t,X,25);
double t2=log(Pw);
double t3=log(DetS+1);
hx[n]=-t1/2+t2-t3/2;
}
double maxval=hx[0];
int number=0;
//判別函數的最大值
for(n=1;n<10;n++)
{
if(hx[n]>maxval)
{
maxval=hx[n];
number=n;
}
}
return number;
}
/******************************************************************
* 函數名稱：BayesLeastRisk(double loss[10][10])
* 函數類型：double*
* 參數說明：double loss[10][10]：損失
* 函數功能：最小風險的Bayes分類器 ，返回各類的風險值
******************************************************************/
double* Classification::BayesLeastRisk(double loss[10][10])
{
double X[25];//待測樣品
double Xmeans[25];//樣品的均值
double S[25][25];//協方差矩陣S
double S_[25][25];//S的逆矩陣
double P[10];//后驗概率
double Pw;//先驗概率
double hx[10];//判別函數
int i,j,k,n;
for(n=0;n<10;n++)//
{
int num=pattern[n].number;//樣品個數
//求樣品均值
for(i=0;i<25;i++)
Xmeans[i]=0.0;
for(k=0;k<num;k++)
{
for(i=0;i<25;i++)
Xmeans[i]+=pattern[n].feature[k][i]>0.2?1.0:0.0;
}
for(i=0;i<25;i++)
Xmeans[i]/=(double)num;
//求協方差矩陣
double mode[200][25];
for(i=0;i<num;i++)
for(j=0;j<25;j++)
mode[i][j]=pattern[n].feature[i][j]>0.2?1.0:0.0;
for(i=0;i<25;i++)
for(j=0;j<25;j++)
{
double s=0.0;
for(k=0;k<num;k++)
s=s+(mode[k][i]-Xmeans[i])*(mode[k][j]-Xmeans[j]);
s=s/(double)(num-1);
S[i][j]=s;
}
//求先驗概率
int total=0;//樣品總數
for(i=0;i<10;i++)
total+=pattern[i].number;
Pw=(double)num/(double)total;
//求S的逆矩陣
for(i=0;i<25;i++)
for(j=0;j<25;j++)
S_[i][j]=S[i][j];
double(*p)[25]=S_;
brinv(*p,25);//S的逆矩陣
//求S的行列式
double (*pp)[25]=S;
double DetS;
DetS=bsdet(*pp,25);//S的行列式
//求判別函數
for(i=0;i<25;i++)
X[i]=testsample[i]>0.2?1.0:0.0;
for(i=0;i<25;i++)
X[i]-=Xmeans[i];
double t[25];
for(i=0;i<25;i++)
t[i]=0;
brmul(X,S_,25,t);
double t1=brmul(t,X,25);
double t2=log(Pw);
double t3=log(DetS+1);
P[n]=-t1/2+t2-t3/2;
}
for(n=0;n<10;n++)
{
double t=0.0;
for(i=0;i<10;i++)
t+=loss[n][i]*P[i];
hx[n]=t;
}
return (double*)hx;
}
/******************************************************************
* 函數名稱：Jiangcheng()
* 函數類型：int
* 函數功能：獎懲算法 ,返回手寫數字的類別
******************************************************************/
int Classification::Jiangcheng()
{
double w[10][26];//權值
double d[10];//迭代計算結果權矢量
double x[26];//增1樣品
double hx[10];//判別函數
bool flag;
int n,i,j,k;
int c=0;//迭代次數
?? 快捷鍵說明
復制代碼
Ctrl + C
搜索代碼
Ctrl + F
全屏模式
F11
切換主題
Ctrl + Shift + D
顯示快捷鍵
?
增大字號
Ctrl + =
減小字號
Ctrl + -