Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Prac1 MAP BDGauss
Prac1 MAP BDGauss
Profesores:
Margarita Cabrera
Josep Vidal
Marc Torrellas
UPC-TSC-D5
CLP: PRAC1
1
2
3
18/10/2013
Introduccin a PRTools............................................................................................. 2
Objetivos de la prctica 1 .......................................................................................... 4
Laboratorio: creacin de bases de datos Gaussianas................................................. 4
3.1 PARTE 1: Anlisis de curvas ROC ................................................................... 4
3.2 PARTE 2: Autovalores de matriz de covarianza y forma de los clusters. ......... 5
3.3 PARTE 3: Comparacin entre ldc y qdc............................................................ 6
CLP: PRAC1
18/10/2013
1 Introduccin a PRTools
PRTools es un paquete de software de Matlab, especialmente diseado para realizar
aplicaciones de Clasificacin de patrones y trabajar con bases de datos experimentales.
PRTools ha sido creado por: Pattern Recognition Group, Delft University of
Technology (Holanda), posteriormente denominado como Quantitative Imaging Group:
http://www.tnw.tudelft.nl/en/about-faculty/departments/imaging-science-andtechnology/research/researchgroups/quantitative-imaging/
La pgina principal de PRtools es http://prtools.org/.
A continuacin se presentan algunas definiciones de elementos fundamentales al utilizar
PRTools:
-
CLP: PRAC1
18/10/2013
CLP: PRAC1
18/10/2013
2 Objetivos de la prctica 1
Los objetivos de la presente prctica consisten en:
Familiarizarse con el software prtools, con matlab y con el entorno de trabajo en
general.
Generar bases de datos Gaussianas y evaluar parmetros de las mismas.
Aplicar clasificadores MAP (Lineales y Cuadrticos) sobre las clases generadas.
y i : N (si , );
i 1..2 ;
1 0 0
d1 2 0 1 0 ;
0 0 1
d 3
E siH si
Energia promedio
A realizar en el laboratorio:
Edite el fichero prac1_gauss3.m y analice el cdigo, identificando las partes principales
del programa. Mediante la opcin help de Matlab puede obtener informacin sobre
las funciones invocadas en el programa.
Ejecute prac1_gauss3.m para cada uno de los cuatro casos siguientes:
Distancia=1, SNR=3,0,-3,-10 dB.
Observe las probabilidades de error y ROC obtenidas mediante los clasificadores:
ldc: Fronteras de decisin lineales. Presupone clases equiprobables e idntica matriz
de covarianza.
CLP: PRAC1
18/10/2013
;
1
CLP: PRAC1
18/10/2013
********************************
QPSK Caso 3 explicado en clase.
A realizar en el laboratorio:
Edite el fichero prac1_QPSK.m para generar la modulacin QPSK en la que cada clase
(o smbolo) se genera con una matriz de covarianza distinta a la del resto de clases:
SNR=5dB, 0dB
Smbolo 1:
Smbolo 2:
Smbolo 3:
Smbolo 4:
ro 0.5
ro 0
ro 0.5
ro 0.8
Evale el mapa de seal al aplicar ldc y qdc. Compare la forma de los clsters con los
autovalores de las distintas matrices de covarianza, que puede calcular para cada clase o
smbolo i mediante la instruccin:
Autoval=eig(inv(squeeze(clas.cov(:,:,i)))) %Estimated
Donde clas.cov es la variable de matrices de covarianza proporcionada por el mtodo
qdc.
A incluir en el documento entregable con comentarios pertinentes:
Para cada uno de los dos valores de SNR propuestos:
Mapa de seal al aplicar ldc y qdc
Autovalores tericos para cada una de las cuatro matrices de covarianza
Autovalores estimados a partir de las muestras generadas.
CLP: PRAC1
18/10/2013
1
y i : N (si , ) ; d1 2
; 0.5;
1
d 2 , SNR=5dB
;
1
d 2
Smbolo 1: i 1 0.8
Smbolo 2: i 2 0.8