加载数据

加载digitimages．

加载digitimages.mat

图片是一个28-×28-by-3000的数组uint16整数。每一页都是一个数字的光栅图像。每个元素都是像素强度。对应的标签在3000 × 1的数字向量中Y．有关详细信息，请输入描述在命令行。

存储观测的数量和预测变量的数量。创建一个指定保留20%数据的数据分区。从数据分区中提取训练和测试集索引。

rng (1);%的再现性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）;

重新调节数据

重新缩放像素强度，使其在每个图像的区间[0,1]内。具体来说,假设 $$p_{我j}$$是像素强度 $$j$$在图像 $$我$$．对于图像 $$我$$，使用以下公式重新调整其所有像素强度:

X =双(图片);为了minX = min(min(X(:，:，i))));maxX = max (max (X(:,:我)));X(:，:，i) = (X(:，:，i) - minX)/(maxX - minX);结束

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。

将数据重塑为矩阵，使预测变量对应于列，图像对应于行。因为重塑按列顺序取元素，将其结果转置。

X =重塑(X, (p, n));

火车和优化分类模型

交叉验证SVM二元学习者的ECOC模型和基于训练观察的随机森林。用5倍交叉验证。

对于ECOC模型，指定预测器标准化，并在ECOC编码设计和SVM盒约束下优化分类误差。探索这些值的所有组合:

编码= {“onevsone”'Onevsall'};boxconstraint = logspace(1、2、3);cvLossECOC =南(元素个数(编码),元素个数(boxconstraint));%的预先配置为了i = 1:元素个数(编码)为了j = 1:numel(box) t = templateSVM(“BoxConstraint”boxconstraint (j),“标准化”,真正的);CVMdl = fitcecoc (X (idxTrn:), Y (idxTrn),“学习者”t'kfold'5,．..“编码”、编码{我});cvLossECOC (i, j) = kfoldLoss (CVMdl);流('cvlossecoc =％f用于模型使用％s编码和框约束=％f \ n'，．..cvlossecoc（i，j），编码{i}，boxconstraint（j））结束结束

使用onevsone cvLossECOC = 0.058333的模型编码和盒子使用onevsone约束= 0.100000 cvLossECOC = 0.057083模型编码和盒子使用onevsone约束= 3.162278 cvLossECOC = 0.050000模型编码和盒子使用onevsall约束= 100.000000 cvLossECOC = 0.120417模型编码和盒子约束= 0.100000 cvLossECOC =对于使用onevsall编码和box约束的模型，cvLossECOC = 0.121667 =3.162278

对于随机林，通过使用序列中的值来改变最大分割数 $$｛{3.}^2，{3.}^{3.}，．．．，{3.}^{米}｝$$．M是这样 $${3.}^{米}$$不比n- 1。若要再现随机预测器选择，请指定“重现”,真的．

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(maxnum劈叉)t = templateTree(“MaxNumSplits”，maxnumsplits（i），“复制”,真正的);CVMdl = fitcensemble (X (idxTrn:), Y (idxTrn),“方法”，“包”，“学习者”t．..'kfold'5);cvLossRF (i) = kfoldLoss (CVMdl);流('cvLossRF = %f for model using %d as the maximum number of split \n'，．..cvlossrf（i），maxnumsplits（i））结束

cvLossRF使用9 = 0.323750为模型的最大数量的分裂cvLossRF = 0.198333模型使用27分裂cvLossRF = 0.075417的最大数量的模型使用81作为分裂cvLossRF = 0.017083的最大数量模型使用243作为分裂cvLossRF = 0.012083的最大数量模型使用729的最大数量split cvLossRF = 0.012083 for model using 2187 as the maximum number of splitting

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 = 0.0121

linIdx = find(cvLossRF == minCVLossRF,1);[bestI, bestJ] = ind2sub(大小(cvLossRF), linIdx);bestMNS = maxNumSplits (bestI)

bestMNS = 729

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”,真正的);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”，“包”，“学习者”，t）;

为测试样本图像创建一个变量，并使用训练好的模型来预测测试样本标签。

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

将“分类模式”保存到“磁盘”

MdlECOC和mdlrf.是预测性分类模型，但是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”）;saveLearnerForCoder (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，另一个用于随机森林，如下:

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 < matlab。% % RFCLASSIFIER从% |'DigitImagesRF中加载训练好的随机森林。Mat '|，并根据训练模型的%预测新观测的标签。|'DigitImagesRF中的随机森林。米at'| % was cross-validated using the training data in the sample data % |digitimages.mat|. properties(Access = private) CompactMdl % The compacted, trained random forest end methods(Access = protected) function setupImpl(obj) % Load random forest from file obj.CompactMdl = loadLearnerForCoder('DigitImagesRF'); end function y = stepImpl(obj,u) y = predict(obj.CompactMdl,u); end function flag = isInputSizeMutableImpl(obj,index) % Return false if input size is not allowed to change while % system is running flag = false; end function dataout = getOutputDataTypeImpl(~) dataout = 'double'; end function sizeout = getOutputSizeImpl(~) sizeout = [1 1]; end end end

注意:如果您单击此页面右上方的按钮并在MATLAB®中打开此示例，那么MATLAB®将打开示例文件夹。此文件夹包含本例中使用的文件。

系统对象基本要求请参见定义基本系统对象．

定义代码生成的预测函数

定义两个MATLAB函数调用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predictDigitECOCSO内容。m文件

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=(分类器,X)步;结束

类型predictDigitRFSO.m%显示predictDigitRFSO内容。m文件

函数标签= predictDigitRFSO (X) % # codegen % predictDigitRFSO数字使用射频模型在图像分类系统对象% predictDigitRFSO分类28-by-28图像的行X %使用紧凑的系统对象RFClassifier随机森林,和%然后返回类标签的标签。分类器= RFClassifier;标签=(分类器,X)步;结束

将MATLAB函数编译为MEX文件

将实现较好测试样本精度的预测函数编译到一个MEX文件中codegen．属性指定测试集图像arg游戏论点。

如果（mincvlossecoc <= mincvlossrf）codegen预测附图标准索索arg游戏testImages别的codegenpredictDigitRFSOarg游戏testImages结束

验证生成的MEX文件产生与MATLAB函数相同的预测。

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）结束

verifyMEX =逻辑1

verifyMEX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。

在Simulink中使用系统对象预测标签金宝app

创建一个视频文件，逐帧显示测试集图像。

v = VideoWriter ('testimages.avi'，'未压缩的avi'）;v.FrameRate = 1;开放(v);Dim = sqrt(p)*[1 1];为了j = 1:size(testImages,1) writeVideo(v，重塑(testImages(j，:)，dim));结束关闭(v);

定义一个函数scalepixelintensities.m将RGB图像转换为灰度，然后缩放产生的像素强度，使其值在区间[0,1]内。

类型scalepixelintensities.m%显示scalepixelintensity的内容。m文件

函数x = scalepixelintensity (imdat) % scalepixelintensity缩放图像的像素强度% scalepixelintensity缩放图像的像素强度，使结果x是一个区间[0,1]值的行向量。imdat = rgb2gray (imdat);minimdat = min (min (imdat));maximdat = max (max (imdat));X = (imdat - minimdat)/(maximdat - minimdat);结束

加载Simulin金宝appk®模型slexClassifyAndDisplayDigitImages.slx．

simmdlname =“slexClassifyAndDisplayDigitImages”;open_system (SimMdlName);

图中显示了Simulink®模型。金宝app在模拟的开始，从多媒体文件块加载测试集图像的视频文件。对于视频中的每一张图片:

模拟模型。

SIM（SIMMDLNAME）

该模型可快速显示所有600幅测试集图像及其预测结果。最后的图像保留在视频显示中。您可以生成预测，并将它们与相应的图像一一显示一步按钮代替。

如果您还拥有Simulink®Code金宝appr™许可，那么您可以从slexClassifyAndDisplayDigitImages.slx在Si金宝appmulink®中或从命令行中使用rtwbuild(金宝app仿真软件编码器)．更多信息请参见为模型生成C代码(金宝app仿真软件编码器)．