火车分类模型

这个例子使用了电离层数据集，包含雷达返回质量（y）和预测数据（X）。雷达返回质量很好（'G'）或质量不好（'B'）。

加载电离层数据集。确定样本大小。

加载电离层n = numel（y）

n = 351.

MATLAB功能块无法返回单元格数组。将响应变量转换为元素所在的逻辑向量1如果雷达返回很好，和0.除此以外。

y = strcmp（y，'G'）;

假设按顺序检测到雷达返回，并且您拥有前300个观察，但您还没有收到最后51次。将数据分区为现在和未来的样本。

prsntx = x（1：300，:);prsnty = y（1：300）;ftrx = x（301：结束，:);ftry = y（301：结束）;

使用全部，目前可用的数据列车培训SVM模型。指定预测数据标准化。

mdl = fitcsvm（prsntx，prsnty，'标准化'，真的）;

MDL.是A.分类VM.模型。

使用Savelarnerforcoder.

在命令行，您可以使用MDL.对新观察进行预测。但是，你不能使用MDL.作为函数中的输入参数意味着代码生成。

准备MDL.使用在功能内加载Savelarnerforcoder.。

SavelAlnerForCoder（MDL，'svmionosphere'）;

Savelarnerforcoder.紧凑型MDL.，然后将其保存在Mat文件中svmionosphere.mat。

定义MATLAB功能

定义名为matlab函数svmionopepredict.m.预测雷达返回是否具有质量优良。功能必须：

功能[标签，得分] = svmionopepredict（x）％＃codegen.使用SVM模型预测雷达返回质量％SVMiOneSpeic％svmionopepredict预测标签和估计分类雷达的％分数在预测器数据x的数字矩阵中返回％使用文件svmionoSphere.mat中的Compact SVM模型。行的行％对应于预测变量的观察和列。标签％是预测的标签和得分是置信度量％将雷达返回质量分类为好。％％版权所有2016 MathWorks Inc.mdl = loadlearnerforcoder（'svmionosphere'）;[标签，两个谱] =预测（MDL，x）;得分=两个谱（：，2）;结尾

注意：如果单击此页面的右侧部分中的按钮并在MATLAB中打开此示例，则MATLAB将打开示例文件夹。此文件夹包含入口点函数文件。

创建Simul金宝appink模型

使用Matlab功金宝app能块创建一个Simulink模型，该模块调度svmionopepredict.m.。

此示例提供了Simulink模型金宝appslexsvmionopepredictexample.slx.。打开Simulin金宝appk模型。

simmdlname ='slexsvmionospherepredictexample';Open_System（SIMMDLNAME）

该图显示了Simulink模型。金宝app当输入节点检测到雷达返回时，它将观察到发出的MATLAB功能块。svmionopepredict.m.。在预测标签和分数之后，模型将这些值返回到工作区，并一次显示模型内的值。当你加载时slexsvmionopepredictexample.slx.，MATLAB还加载它需要调用的数据集RadarreturnInput.。但是，此示例显示了如何构建所需的数据集。

该模型希望接收输入数据作为调用的结构阵列RadarreturnInput.包含这些字段：

为将来的雷达返回创建适当的结构阵列。

RadarreturnInput.time =（0:50）';RadarreturnInput.Signals（1）.values = ftrx;RadarreturnInput.Signals（1）.dimensions =尺寸（ftrx，2）;

您可以从中更改名称RadarreturnInput.，然后在模型中指定新名称。但是，Simuli金宝appnk期望结构阵列包含所描述的字段名称。

使用培训的数据模拟模型，即数据RadarreturnInput.。

sim（simmdlname）;

该图显示了它在处理所有观察后的模型RadarreturnInput.一次一个。预测标签x（351，:)是1它的正面分数是1.431.。变量兜售那you ..， 和svmlogsout.出现在工作区。you ..和svmlogsout.是金宝appSimulinkData.Dataset.包含预测标签和分数的对象。有关更多详细信息，请参阅用于记录模拟数据的数据格式（金宝appSimulink）。

从仿真日志中提取模拟数据。

labelssl = svmlogsout.getElement（1）.values.data;scoressl = svmlogsout.getElement（2）.values.data;

Labelssl.是一个51×1的预测标签矢量。Labelssl（j）=1意味着SVM模型预测雷达返回j在未来的样本中质量很好，而且0.否则意味着。Scoressl.是一个51×1的数字矢量的正面评分，即距决策边界的距离。正得分对应于预测标签1，负分数对应于预测标记0.。

使用命令行预测标签和正类分数预测。

[labelcmd，scorescmd] =预测（mdl，ftrx）;scorescmd = scoreScmd（:,2）;

LabelCmd.和Scorescmd.与之相称Labelssl.和Scoressl.。

比较未来样本，返回的正级别分数slexsvmionopepreptictexample.致电返回的人预测在命令行。

err = sum（（scorescmd  -  scoressl）。^ 2）;错误
              

ans =.逻辑1

分数集之间的平方偏差之和可忽略不计。

如果您还有Simulink Coder金宝app™许可证，则可以从中生成C代码slexsvmionopepredictexample.slx.在Si金宝appmulink中或使用命令行使用SLBUILD.（金宝appSimulink）。有关更多详细信息，请参阅为模型生成C代码（金宝appSimulink编码器）。