火车分类模型

这个例子使用了电离层数据集，其中包含雷达返回质量(y)及预测数据(X）.雷达回波要么质量好('G')或质量差的('B'）.

加载电离层数据集。确定样本量。

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如果雷达恢复正常，然后0.除此以外。

Y = strcmp (Y,'G'）;

假设按顺序探测到雷达返回，您已经有了前300个观测值，但还没有收到最后51个。将数据划分为当前和未来的样本。

prsntX = X(施用:);prsntY = Y(施用);ftrX = X(301年:,);ftrY = Y(301:结束);

使用所有当前可用的数据训练支持向量机模型。指定预测器数据标准化。

Mdl = fitcsvm (prsntX prsntY,“标准化”，真的）;

Mdl是A.ClassificationSVM模型。

使用saveLearnerForCoder

在命令行中，您可以使用Mdl对新的观测结果进行预测。但是，您不能使用Mdl作为用于代码生成的函数的输入参数。

准备Mdl在函数中加载saveLearnerForCoder．

saveLearnerForCoder (Mdl'svmionosphere'）;

saveLearnerForCoder契约Mdl，然后将其保存在Mat文件中svmionosphere.mat．

定义MATLAB功能

定义一个MATLAB函数，名为svmIonospherePredict.m预测雷达返回是否具有质量优良。功能必须：

函数(标签,分数)= svmIonospherePredict (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得分的%返回预测器数据X的数字矩阵%使用文件SVMIonosphere.mat中的紧凑SVM模型。行(X)％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%，雷达回波质量良好。％％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:如果你点击这个页面右上方的按钮并在MATLAB中打开这个例子，那么MATLAB就会打开这个例子文件夹。这个文件夹包括入口点函数文件。

创建模型模型金宝app

用MATLAB函数金宝app块创建一个Simulink模型svmIonospherePredict.m．

此示例提供了Simulink模型金宝appslexSVMIonospherePredictExample.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。svmIonospherePredict.m．在预测标签和得分之后，模型将这些值返回到工作区，并在模型中一次显示一个值。当你负荷slexSVMIonospherePredictExample.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);

图中显示了模型处理所有观测后的结果radarReturnInput一次一个。预测标签X(351年:)是1它的正面分数是1.431．的变量兜售那you ..,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，请参阅记录仿真数据的数据格式（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为正类分数的51乘1数字向量，即与决策边界的标记距离。积极的分数对应于预测的标签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是相称labelsSL和scoresSL．

比较未来样本，返回的正级别分数slexSVMIonospherePredictExample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slexSVMIonospherePredictExample.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）．