先生成数据集，再用matlab实现高斯模式识别

好的，生成数据集的方法可以使用MATLAB自带的函数，比如`mvnrnd`生成多元高斯分布的数据。

假设我们需要生成两类数据，每类数据都服从二元高斯分布，可以按照如下步骤生成数据集：

1. 设置两类数据的均值和协方差矩阵，例如：

mu1 = [0 0]; % 第一类数据的均值向量
sigma1 = [1 0; 0 1]; % 第一类数据的协方差矩阵
mu2 = [2 2]; % 第二类数据的均值向量
sigma2 = [1 0; 0 1]; % 第二类数据的协方差矩阵

2. 使用`mvnrnd`函数生成数据，例如：

n1 = 100; % 第一类数据的样本数量
n2 = 100; % 第二类数据的样本数量
data1 = mvnrnd(mu1, sigma1, n1); % 生成第一类数据
data2 = mvnrnd(mu2, sigma2, n2); % 生成第二类数据

3. 将数据可视化，例如：

scatter(data1(:,1), data1(:,2), 'r'); % 绘制第一类数据的散点图
hold on;
scatter(data2(:,1), data2(:,2), 'b'); % 绘制第二类数据的散点图
legend('Class 1', 'Class 2');

接下来，我们可以使用高斯模式识别算法对数据进行分类。高斯模式识别算法可以使用MATLAB中的`classify`函数实现，例如：

data = [data1; data2]; % 将两类数据合并成一个数据集
label = [ones(n1,1); 2*ones(n2,1)]; % 为每个样本打上标签（1表示第一类，2表示第二类）
model = fitcdiscr(data, label, 'DiscrimType', 'diagLinear'); % 训练高斯模式识别分类器

最后，我们可以使用训练好的分类器对新数据进行分类，例如：

new_data = [0.5 0.5; 1.5 1.5; 2.5 2.5]; % 新数据
class = predict(model, new_data); % 对新数据进行分类
disp(class); % 输出分类结果

这里假设我们有三个新数据点，分别为(0.5, 0.5)、(1.5, 1.5)和(2.5, 2.5)。程序输出的结果应该为[1 1 2]，表示第一个和第二个数据点属于第一类，第三个数据点属于第二类。