Acerca de varias funciones de la caja de herramientas SVM de matlab

¿No puedes usar tu propia función? Le daré un código de máquina vectorial de soporte de mínimos cuadrados escrito por usted mismo

Borrar todo;

clc;

N=35; >

NN1=4; número de muestras utilizadas para la predicción

**********************, seleccione aleatoriamente muestras de entrenamiento inicial y determinar muestras de predicción *******************************

x=[];

y=[];

index=randperm(N); Ordenar aleatoriamente N secuencias

index=sort(index);

gama=23.411; parámetros

deita=0.

0698; valor del parámetro del kernel

thita=; valor del parámetro del kernel

*******, función del kernel del perceptrón de compilación*********** ***************************

para i=1：N

x1=x(：，índice (i));

para j=1: N

x2=x(:

K(i, j)=tanh(deita*(x1) '*x2) thita);

end

end

************ Construye la función kernel de base radial** *** **********************************

para i=1：N

x1=x(:, índice(i));

para j=1：N

x2=x(:, índice(j));

x12=x1-x2;

K(i, j)=exp(-(x12'*x12)/2/(deita*deita));

end

end

*********construye la función kernel polinomial ******************* *** *******************

para i=1：N

x1=x(：，índice( i)) ;

para j=1: N

x2=x(:, index(j));

K(i, j)= (1 x1 '*x2)^(deita);

end

end

********* Construya la matriz del núcleo** **********************************

para i=1：N-NN1

for j=1：N-NN1

omeiga1(i,j)=K(i,j);

fin

fin

omeiga2=omeiga1';

omeiga=omeiga2 (1/gama)*eye(N-NN1);

A12=unos (1,N -NN1);

A21=A12';

A=[0 A12;A21 omeiga];

****** **** *****************************

para i=1：N- NN1

B21(i,:)=y(index(i));

fin

B=[0;B21];

***** ***Solución modelo LS-SVM******************************

C=A\B ;

******

b=C(1); Parámetros del modelo

para i=1：N- NN1

aipha(i)=C(i 1 parámetros del modelo, vector de fila

end

********** ************ **************** ************

para mí =1：N modelo de predicción

aifx(i)=b

(aipha)*K(1:N-NN1,i);

fin

******************** ** ************************ *

aifx

índice