初始学习样本总数： n，共w=3种，样本特征数： n=4。 培训示例：
(w1 )样本矩阵a、N1*4、N1是属于w1的样本数；
) w2 )样本矩阵b、N2*4、N2是属于w2的样本数；
(w3 )样本矩阵c、N3*4、N3是属于w3的样本数
计算学习样本数据(平均值) x1=mean(a )、X2=mean(B ) b )、X3=mean(C ) c ) )
协方差矩阵： s1=conv(a )，同样是S2，S3
行列式： s11=det(s1 )，同样为S22、S33
先验概率： Pw1=N1/N，同样为Pw2、Pw3
测试样本：样本矩阵Sample，K*n维矩阵，即k个测试样本
------------- -请参阅
计算后验概率：
第k个样本属于第1类的后验概率：
P1=-1/2*(sample(k， )- X1 ) ) inv ) S1 ) * ) sample， )- X1 ) ) log ) pw1 )-1/2*log )
这样可以得到P1、P2、P3。
------------- -请参阅
最大后验概率准则：如果P2=max[P1，P2，P3]，则k属于第二类。
------------- -请参阅
最小贝叶斯：如果决定wj为ai的话，导入损失函数矩阵loss(AI，wj )。
loss=ones (3，3 )-diag (诊断) ) one (4) )；
0，1，1，1
一，零，一，一
一，一，零，一
一，一，一，零
计算采用决策ai带来的风险：
risk1=loss (1，1 ) P1loss ) 1，2 ) P2loss ) 1，3 ) P3 )
risk2=loss (2，1 ) P1loss ) 2，2 ) P2loss ) 2，3 ) P3 )
risk3=loss (3，1 ) P1loss ) 3，2 ) P2loss ) 3，3 ) P3 )
在risk1=min[risk1，risk2，risk3]的情况下，k处于类1。
------------- -请参阅
贝叶斯决策时统计模式识别的重要基础。
使用条件：类别数量已知(易) )。
每类条件概率密度先验概率已知(难)
使用方法：先根据训练样本设计分类器，再对测试样本进行分类。