模式识别最小平方误差算法实验报告代码全及ppt展示
题目 最小平方误差算法（LMSE）
1．1 题目的主要研究内容
（1）30组的主要任务描述：
利用课堂所讲授的最小平方误差算法，通过手动推演与python来
得到如下题目的最终结果
（2）：自己工作的主要描述：利用python进行推演，PPT制作
1．2 题目研究的工作基础或实验条件
软件环境：语言：python IDLE：pycharm 引用库：numpy
1．3 设计思想
利用 python 中自带的 numpy 库（一种开源的数值计算扩展），实现矩阵的相关运算，例如可计算伪逆矩阵；利用传统 while 循环和 if else 循环实现算法的迭代。
1．4 流程图
-1e-4 flag=0 flag=1 1．5 主要程序代码 import numpy as np #调用 numpy 库 # 输入数据 w1 = np.array([[0, 0, 0, 1], [1, 0, 0, 1], [1, 0, 1, 1], [1, 1, 0, 1]]) w2 = np.array([[0, 0, 1, 1], [0, 1, 1, 1], [0, 1, 0, 1], [1, 1, 1, 1]]) w2 = -w2 b = np.array([1, 1, 1, 1, 1, 1, 1, 1]) c = 1 flag = 0 #设置线性可分时的标志位 X = np.concatenate((w1, w2), axis=0) #求出增广样本矩阵 XX = np.matmul(np.linalg.inv(np.matmul(X.transpose(), X)), X.transpose()) #求出伪逆矩阵 w = np.matmul(XX, b) #求出 W（1） e = np.matmul(X, w) – b #求出 e t = 0 #设置迭代次数从零开始 iteration =20 #设置最高迭代次数是 20 while 1: temp = min(e) #e（ k）中最小值 temp1 = max(e) #e（ k）中最大值 if 0 > temp > -1e-4: temp = 0 if temp > 1e-3: deltab = e + abs(e) #迭代公式 b = b + c * deltab w = w + c * np.matmul(XX, deltab) e = np.matmul(X, w) - b else: if 1e-4 > temp >= 0: break else: # 线性不可分 if temp1 < 0: flag = 1 break else: # 趋近时迭代 deltab = e + abs(e) b = b + c * deltab w = w + c * np.matmul(XX, deltab) e = np.matmul(X, w) - b
