训练分类模型

本示例使用电离层数据集，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。

负载电离层n =元素个数(Y)

n = 351

MATLAB函数块不能返回单元格数组。将响应变量转换为逻辑向量，其元素为1如果雷达恢复正常，然后0否则。

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”,真正的);

Mdl是一个ClassificationSVM模型。

保存模型使用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，然后保存到MAT-file中SVMIonosphere.mat．

定义MATLAB函数

定义一个MATLAB函数，名为svmIonospherePredict.m这可以预测雷达回波质量是否良好。函数必须:

函数(标签,分数)= svmIonospherePredict (X)% # codegen使用支持向量机模型预测雷达回波质量% svmIonospherePredict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)%对应观察值和预测变量的列。标签%是预测标签，分数是对的置信度测量%，雷达回波质量良好。％版权所有2016 The MathWorks Inc.Mdl = loadLearnerForCoder (“SVMIonosphere”）;[标签,bothscores] =预测(Mdl X);分数= bothscores (:, 2);结束

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．

这个例子提供了Simulink模型金宝appslexSVMIonospherePredictExample.slx．打开Simulin金宝appk模型。

SimMdlName =“slexSVMIonospherePredictExample”；open_system (SimMdlName)

图中显示了Simulink模型。金宝app当输入节点检测到雷达返回时，它将该观察结果导向MATLAB函数块，并将其分派到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也加载它需要调用的数据集radarReturnInput．但是，这个示例展示了如何构造所需的数据集。

模型期望以结构数组的形式接收输入数据radarReturnInput包含这些字段:

为将来雷达返回创建一个适当的结构阵列。

radarReturnInput。时间= (0:50)';radarReturnInput.signals(1)。值= ftrX;radarReturnInput.signals(1)。尺寸大小= (ftrX 2);

您可以更改名称radarReturnInput，然后在模型中指定新名称。但是，Simuli金宝appnk希望结构数组包含所描述的字段名。

使用训练之外的数据，即训练中的数据，模拟模型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。预测的标签X(351年:)是1它的积极等级得分是1.431．的变量吹捧，你,svmlogsout出现在工作区中。你和svmlogsout是金宝appSimulinkData。数据集包含预测标签和分数的对象。有关详细信息，请参见记录仿真数据的数据格式(金宝app模型)．

从仿真日志中提取仿真数据。

labelsSL = svmlogsout.getElement (1) .Values.Data;scoresSL = svmlogsout.getElement (2) .Values.Data;

labelsSL是一个51乘1的预测标签的数字向量。labelsSL (j)＝1表示SVM模型预测雷达返回j在未来的样品是好的质量，和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，而负分则对应于预测的标签0．

使用命令行预测标签和正类得分预测．

[labelCMD, scoresCMD] =预测(Mdl ftrX);scoresCMD = scoresCMD (:, 2);

labelCMD和scoresCMD是相称labelsSL和scoresSL．

比较一下由slexSVMIonospherePredictExample给那些通过呼叫返回的人预测在命令行。

err = sum((scoresCMD - scoresSL).^2);犯错< eps

ans =逻辑1

两组分数之间的平方偏差之和可以忽略不计。

如果您也有Simulink Coder金宝app™许可证，那么您可以从slexSVMIonospherePredictExample.slx在Si金宝appmulink中或从命令行中使用slbuild(金宝app模型)．有关详细信息，请参见为模型生成C代码(金宝app仿真软件编码器)．