专栏首页算法时空《模式识别与智能计算》基于PCA的模板匹配法

《模式识别与智能计算》基于PCA的模板匹配法

算法流程:
  1. 选取各类全体样本组成矩阵X,待测样品
  2. 计算协方差矩阵S
  3. 根据S的特征值选取适合的矩阵C
  4. 使用矩阵C降维
  5. 采用模板匹配开始多类别分类
算法实现

PCA降维算法

def pca(x,k=0,percent = 0.9):
    """
    :function: 主成分分析法
    :param X: 数据X  m*n维  n表示特征个数,m表示数据个数
    :param K: K表是要保留的维度
    :param percent: 样本所占比例
    :return: 返回特征向量
    """
    m,n = x.shape
    mean = np.mean(x,axis=0)
    mean.shape = (1,n)
    x_norm = x - mean
    x_norm = x_norm.T  # 将它变成 行列分别为特征的矩阵 便于计算!!!
    cov = np.dot(x_norm, x_norm.T)
    eigval, eigvec = np.linalg.eig(cov)
    index = np.argsort(-eigval)
    eigvec_sort = eigvec[index]
    eigval_sort = eigval[index]
    eigval_ratio = eigval_sort/np.sum(eigval_sort)
    sum = 0
    for i in range(eigval_ratio.shape[0]):
        sum += eigval_ratio[i]
        if sum > percent:
            return eigvec_sort[:,:i+1]

模板匹配算法

def neartemplet(x_train,y_train,sample):
    """
    :function: 模板匹配法
    :param X_train: 训练集 M*N  M为样本个数 N为特征个数
    :param y_train: 训练集标签 1*M
    :param sample: 待识别样品
    :return: 返回判断类别
    """
    n_train = x_train.shape[0]
    dis = []
    for i in range(n_train):
        dis.append(np.sum((sample-x_train[i,:])**2))
    minIndx = np.argmin(dis)
    return y_train[minIndx]

划分数据集

def train_test_split(x,y,ratio = 3):
    """
    :function: 对数据集划分为训练集、测试集
    :param x: m*n维 m表示数据个数 n表示特征个数
    :param y: 标签
    :param ratio: 产生比例 train:test = 3:1(默认比例)
    :return: x_train y_train  x_test y_test
    """
    n_samples , n_train = x.shape[0] , int(x.shape[0]*(ratio)/(1+ratio))
    train_id = random.sample(range(0,n_samples),n_train)
    x_train = x[train_id,:]
    y_train = y[train_id]
    x_test = np.delete(x,train_id,axis = 0)
    y_test = np.delete(y,train_id,axis = 0)
    return x_train,y_train,x_test,y_test

测试代码

from sklearn import datasets
from Include.chapter3 import function
import numpy as np

#读取数据
digits = datasets.load_digits()
x , y = digits.data,digits.target

#划分数据集
x_train, y_train, x_test, y_test = function.train_test_split(x,y)
testId = np.random.randint(0, x_test.shape[0])
sample = x_test[testId, :]

eigVec = function.pca(x_train)
mean = np.mean(x,axis=0).reshape((1,64))
#去均值
x_train = x_train - mean
sample = sample - mean
#降维
x_train = np.dot(x_train,eigVec)
sample =  np.dot(sample,eigVec)
#模板匹配
ans = function.neartemplet(x_train,y_train,sample)
print(ans==y_test[testId])
算法结果
True

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 《模式识别与智能计算》模板匹配法

    模板匹配法说白就是特征一一对应,将数据每个特征相差加起来,然后总的特征值最小的就是相似度最大的

    用户4492257
  • 《模式识别与智能计算》基于二值数据的贝叶斯分类实现

    用户4492257
  • 《模式识别与智能计算》基于类中心的欧式距离法分类

    算法过程: 1 选取某一样本 2 计算类中心 3 计算样本与每一类的类中心距离,这里采用欧式距离 4 循环计算待测样品和训练集中各类中心距离找出距离待测...

    用户4492257
  • 《模式识别与智能计算》基于二值数据的贝叶斯分类实现

    用户4492257
  • 《模式识别与智能计算》基于类中心的欧式距离法分类

    算法过程: 1 选取某一样本 2 计算类中心 3 计算样本与每一类的类中心距离,这里采用欧式距离 4 循环计算待测样品和训练集中各类中心距离找出距离待测...

    用户4492257
  • 《模式识别与智能计算》基于类中心的欧式距离分类法

    用户4492257
  • 《模式识别与智能计算》模板匹配法

    模板匹配法说白就是特征一一对应,将数据每个特征相差加起来,然后总的特征值最小的就是相似度最大的

    用户4492257
  • 《模式识别与智能计算》夹角余弦距离分类

    用户4492257
  • 《模式识别与智能计算》二值化的夹角余弦距离法分类

    用户4492257
  • 从0到1走进 Kaggle

    用户1737318

扫码关注云+社区

领取腾讯云代金券