加载数据

加载数字贴图。

加载digitimages.mat

图片是一个28-×28-by-3000的数组uint16整数。每个页面都是数字的光栅图像。每个元素是像素强度。相应的标签位于3000×1数字矢量中y。有关更多详细信息，请输入描述在命令行。

存储观察次数和预测变量的数量。创建一个数据分区，指定持有20％的数据。从数据分区中提取训练和测试集合索引。

RNG（1）;重复性的％n =大小（图像，3）;p = numel（图像（：，：，1））;cvp = cvpartition（n，'坚持'，0.20）;Idxtrn =培训（CVP）;iDxtest =测试（CVP）;

重新划分数据

重新归类像素强度，使它们在每个图像中的间隔[0,1]中的范围内。具体来说，假设 $${\mathrm{P.}}_{\mathrm{一世}j}$$是像素强度 $$j$$在图像中 $$\mathrm{一世}$$。对于图像 $$\mathrm{一世}$$，使用此公式重新归类其所有像素强度：

x = double（图像）;为了i = 1：n minx = min（min（x（：，：，i）））;maxx = max（max（x（：，：，i））））;x（：，：，i）=（x（：，：，i） -  minx）/（maxx  -  minx）;结尾

重塑数据

对于代码生成，用于训练的预测数据必须位于数字变量表或数字矩阵的表中。

将数据重新塑造到矩阵，使得预测变量对应于列和图像对应于行。因为重塑采用元素列 - 明智，转换结果。

x = RESHAPE（x，[p，n]）';

火车和优化分类模型

基于培训观察，交叉验证SVM二进制学习者的ECOC模型和随机林。使用5倍交叉验证。

对于ecoC模型，请指定预测标准化并通过ECOC编码设计和SVM框约束优化分类错误。探索这些值的所有组合：

编码= {'Onevsone''Onevsall'};boxconstraint = logspace（-1,2,3）;CVLOSSECOC = NAN（NUMER（编码），NUMER（BOXCONSTRAINT））;预付百分比为了i = 1：numel（编码）为了j = 1：numel（boxconstraint）t = templatesvm（'boxconstraint'，boxconstraint（j），'标准化'，真的）;cvmdl = fitcecoc（x（idxtrn，:)，y（idxtrn），'学习者'，t，'kfold'，5，......'编码'，编码{i}）;cvlossecoc（i，j）= kfoldloss（cvmdl）;fprintf（'cvlossecoc =％f用于模型使用％s编码和框约束=％f \ n'那......cvlossecoc（i，j），编码{i}，boxconstraint（j））结尾结尾

CVLOSSECOC = 0.058333用于模型使用OneVSONE编码和框架约束= 0.057083用于使用Onevsone编码和框约束= 3.162278 CVLossecoc = 0.050000使用OneVSONE编码和框约束= 100.000000 CVLossecoc = 0.120417用于模型，使用OneVSALL编码和框约束= 0.100000 CVLOSSECOC = 0.121667用于型号使用OneVSALL编码和框约束= 3.162278 CVLOSSECOC = 0.127917使用OneVSALL编码和框约束约束= 100.000000

对于随机林，通过使用序列中的值来改变最大分割数 $$\{{3.}^2那{3.}^{3.}那。。。那{3.}^m\}$$。m是这样的 $${3.}^m$$不大于N- 1.重现随机预测指标选择，指定'可重复'，真实。

n =尺寸（x，1）;m =楼层（日志（n  -  1）/ log（3））;maxnumsplits = 3. ^（2：m）;cvlossrf = nan（numel（maxnumsplits））;为了i = 1：numel（maxnumsplits）t = templatetree（'maxnumsplits'，maxnumsplits（i），'可重复'，真的）;cvmdl = fitcensemble（x（idxtrn，:)，y（idxtrn），'方法'那'包'那'学习者'，t，......'kfold'5）;cvlossrf（i）= kfoldloss（cvmdl）;fprintf（“CVLOSSRF =％f用于模型使用％d作为最大分裂数\ n'那......cvlossrf（i），maxnumsplits（i））结尾

用于模型的CVLOSSRF = 0.319167使用27使用27的模型的最大分割CVLOSSRF = 0.192917，作为使用81的模型的最大分割数，因为使用243使用243作为最大数量的SPLITS CVLOSSRF = 0.015000的最大数量使用2187使用2187作为最大分割CVLOSSRF = 0.009583的型号的型号的分裂CVLOSSRF = 0.013333。使用2187作为最大分裂数

对于每种算法，确定产生最小错误分类率的超参数指数。

mincvlossecoc = min（cvlossecoc（:)）

Mincvlossecoc = 0.0500.

linidx = find（cvlossecoc == mincvlossecoc，1）;[besti，bestj] = Ind2sub（大小（cvlossecoc），linidx）;Bestcoding = Coding {Besti}

Bestcoding ='OneVsone'

bestboxconstraint = boxconstraint（bestj）

BestboxConstraint = 100.

mincvlossrf = min（cvlossrf（:)）

mincvlossrf = 0.0096

linidx =查找（cvlossrf == mincvlossrf，1）;[besti，bestj] = Ind2sub（大小（cvlossrf），linidx）;bestmns = maxnumsplits（besti）

Bestmns = 2187.

随机森林达到较小的交叉验证错误分类率。

使用培训数据培训ecoc模型和随机林。提供最佳的超参数组合。

t = templatesvm（'boxconstraint'，bestboxconstraint，'标准化'，真的）;mdlecoc = fitcecoc（x（idxtrn，:)，y（idxtrn），'学习者'，t，'编码'，最佳崇拜）;t = templatetree（'maxnumsplits'，bestmns）;mdlrf = fitcensemble（x（idxtrn，:)，y（idxtrn），'方法'那'包'那'学习者'，t）;

为测试样本图像创建一个变量，并使用经过培训的模型来预测测试样本标签。

testimages = x（iDxtest，:);testlabelsecoc = predict（mdlecoc，testimages）;testlabelsrf = predict（mdlrf，testimages）;

将分类模型保存到磁盘

mdlecoc.和mdlrf.是预测性分类模型，但您必须为代码生成做好准备。保存mdlecoc.和mdlrf.使用您的当前工​​作文件夹Savelarnerforcoder.。

SavelAlnerForCoder（MDLecoc，'digitimagesecoc'）;SavelAlnerForCoder（MDLRF，'digitimagesrf'）;

为预测创建系统对象

创建两个系统对象，一个用于ecoc模型，另一个用于随机林，即：

类型Ecocclassifier.m.％显示ecocclassifier.m文件的内容

ClassDef Ecocclassifier 
              

类型rfclassifier.m.％显示rfclassifier.m文件的内容

classdef rfclassifier 
              

笔记：如果单击此页面的右上角的按钮，请在MATLAB®中打开此示例，然后Matlab®打开示例文件夹。此文件夹包括此示例中使用的文件。

对于系统对象基本要求，请参阅定义基本系统对象。

定义代码生成的预测函数

定义调用的两个MATLAB函数预测地迪立索索姆和predictdigitrfso.m.。功能：

类型预测地迪立索索姆％显示predictdigitecoco.mm文件的内容

函数标签= predictigitecocso（x）％＃codegen％predictigigocso使用ecoc模型系统对象％predictigiTecocso使用系统对象eCocclassifier中的Compact Ecoc模型分类x％行中的28×28图像中的28×28图像然后返回标签中的类标签。分类= ecocclassifier;标签=步骤（分类器，x）;结尾

类型predictdigitrfso.m.％显示predictdigitrfso.m文件的内容

函数标签= predictdigitrfso（x）％＃codegen％predictdigitrfso使用rf模型系统对象％predictdigitrfso使用系统对象Rfclassifier中的Compact随机林等行中分类了28×28的图像，以及％然后返回标签中的类标签。分类器= RFCLAssifier;标签=步骤（分类器，x）;结尾

将MATLAB函数编译为MEX文件

编译通过使用实现更好地测试 - 样本精度的预测功能Codegen.。使用该测试设置图像- args.争论。

如果（mincvlossecoc <= mincvlossrf）codegen预测附图标准索索-  args.testimages别的Codegen.predictdigitrfso.-  args.testimages结尾

代码成功。

验证生成的MEX文件会产生与MATLAB功能相同的预测。

如果（mincvlossecoc <= mincvlossrf）mexlabels = predictdigitecocso_mex（testimages）;verifymex = sum（mexlabels == testlabelsecoc）== numel（testlabelsecoc）别的mexlabels = predictdigitrfso_mex（testimages）;verifymex = sum（mexlabels == testlabelsrf）== numel（testlabelsrf）结尾

验证ex =.逻辑1

验证ex.是1，表示由生成的MEX文件和相应的MATLAB函数所做的预测是相同的。

通过使用Simulink中的系统对象预测标签金宝app

创建一个视频文件，该文件显示逐帧测试设置图像。

v = VideoWriter（'testimages.avi'那'未压缩的avi'）;V.Framerate = 1;开放（v）;dim = sqrt（p）* [1 1];为了j = 1：大小（testimages，1）writevideo（v，重塑（testimages（j，:)，dim））;结尾关闭（v）;

定义一个调用的函数scalepixelintensities.m将RGB图像转换为灰度，然后缩放结果的像素强度，以使其值在间隔中[0,1]。

类型scalepixelintensities.m％显示scalepixelintensities.m文件的内容

函数X = ScalepixelIntsities（IMDAT）％scalepixelIntsities尺度图像像素强度％scalepixelitions缩放图像的像素强度这样的百分比，结果x是间隔中的值的一行向量[0,1]。imdat = rgb2gray（imdat）;最小值= min（min（imdat））;maximdat = max（max（imdat））;X =（IMDAT  - 最小DAT）/（maximdat  - 最小DAT）;结尾

加载Simulin金宝appk®模型slexclassifyanddisplaydigitimages.slx.。

simmdlname ='slexclassifyanddisplaypigitimages';Open_System（SIMMDLNAME）;

该图显示Simulink®模型。金宝app在仿真开始时，来自多媒体文件块加载测试集图像的视频文件。对于视频中的每个图像：

模拟模型。

SIM（SIMMDLNAME）

该模型快速显示所有600个测试设置图像及其预测。最后一个图像保留在视频显示中。您可以通过单击“逐一地显示预测”并以相应的图像显示它们向前一步按钮代替。

如果您还有Simulink®Coder金宝app™许可证，则可以从中生成C代码slexclassifyanddisplaydigitimages.slx.在Si金宝appmulink®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）。