最小二乘支持向量机的自编代码和安装SVM工具箱方法Word格式文档下载.doc

1、 %核参数值%*构造感知机核函数* %for i=1:N % x1=x（:,index（i）; % for j=1: % x2=x（:,index（j）; % K（i,j）=tanh（deita*（x1*x2）+thita）; % end %end%*构造径向基核函数* for i=1: x1=x（: for j=1: x2=x（: x12=x1-x2; K（i,j）=exp（-（x12*x12）/2/（deita*deita）; end end %*构造多项式核函数* % K（i,j）=（1+x1*x2）（deita）; %*构造核矩阵* for i=1:N-NN1 for j=1: ome

2、iga1（i,j）=K（i,j）; end end omeiga2=omeiga1; omeiga=omeiga2+（1/gama）*eye（N-NN1）; A12=ones（1,N-NN1）; A21=A12 A=0 A12;A21 omeiga; %* B21（i,:）=y（index（i）; B=0;B21; %*LS-SVM模型的解* C=AB; %* b=C（1）; %模型参数 aipha（i）=C（i+1）; %模型参数，行向量%* for i=1:N %预测模型 aifx（i）=b+（aipha）*K（1:N-NN1,i）; endaifx index从网上搜到，还没试，不知那个

3、可以成功，先收藏下方法一：Matlab大部分函数都放在了toolbox这个文件夹下面。可以试着把需要的函数和工具箱放进去看看能不能用。象matlab升级以后功能会更强大，包含的工具箱也越多，所占用的硬盘空间也变得很大。建议你安装的时候选择自定义安装，只装自己需要的几个工具箱，看你需要是用在什么专业，它里面有很多比如财务工具箱，航空工具箱，生物技术工具箱对与我专业就没有用，就可以不安装。这样就省了空间了。结一下matlab添加工具箱的方法：第一种：如果是安装光盘上的工具箱，重新执行安装程序，选中即可。如果是单独下载的工具箱，一般情况下仅需要把新的工具箱解压到某个目录，然后用pathtool添加工

4、具箱的路径。在命令窗口中敲入pathtool，会出现一个setpath的窗口，点addfolder或者addwithsubfolders按钮，选中你的工具箱。保存既可。任选工具箱中的一个命令，然后help一下看看是否好使。举例：我下载了支持向量基工具箱，解压后，里边有一个目录svm我的matlab安装在D:MATLAB6p5将svm目录拷贝至D:MATLAB6p5toolbox然后运行matlab，在命令窗口输入addpathD:MATLAB6p5toolboxsvm回车，来添加路径。然后在svm目录下，任意找一个m文件，以svcinfo.m为例在命令窗口中输入whichsvcinfo.m如果

5、显示出该文件路径，如MATLAB6p5toolboxsvmsvcinfo.m则安装成功方法二：在libsvm的网站上下载libsvm-mat-2.83-1.zip文件，解压后放在任意目录下（比如c:libsvm-mat-2.83-1下）打开matlab，切换到c:libsvm-mat-2.83-1目录下，键入以下命令：mex-setupMatlab会询问你是否需要locateinstalledcompiler，选择y，然后根据需要选择一个编译器即可。确认时选择y即可。然后键入make就会生成svmtrain.dll，svmpredict.dll和read_sparse.dll这三个文件（对于M

6、atlab7.1及以上版本，生成的对应文件为svmtrain.mexw32，svmpredict.mexw32和read_sparse.mexw32）然后可以在matlab的菜单File-SetPath-AddFolder里，把c:libsvm-mat-2.83-1目录添加进去，这样以后在任何目录下都可以调用libsvm的函数了。为了检验libsvm和matlab之间的接口是否已经配置完成，可以在matlab下执行以下命令：loadheart_scale.matmodel=svmtrain（heart_scale_label,heart_scale_inst,-c1-g2）;如果运行正常并生成

7、了model这个结构体（其中保存了所有的支持向量及其系数），那么说明libsvm和matlab之间的接口已经完全配置成功。附：SVM的历史基于数据的机器学习是现代智能技术中的重要方面,研究从观测数据（样本）出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测.包括模式识别、神经网络等在内,现有机器学习方法共同的重要理论基础之一是统计学.传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设.但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可能不尽人意.与传统统计学相比,统计学习理论（StatisticalLearningTheory

8、或SLT）是一种专门研究小样本情况下机器学习规律的理论.V.Vapnik等人从六、七十年代开始致力于此方面研究,到九十年代中期,随着其理论的不断发展和成熟,也由于神经网络等学习方法在理论上缺乏实质性进展,统计学习理论开始受到越来越广泛的重视.统计学习理论是建立在一套较坚实的理论基础之上的,为解决有限样本学习问题提供了一个统一的框架.它能将很多现有方法纳入其中,有望帮助解决许多原来难以解决的问题（比如神经网络结构选择问题、局部极小点问题等）同时,在这一理论基础上发展了一种新的通用学习方法支持向量机（SupportVectorMachine或SVM它已初步表现出很多优于已有方法的性能.一些学者认为,SVM正在成为继神经网络研究之后新的研究热点,并将有力地推动机器学习理论和技术的发展。我国早在八十年代末就有学者注意到支持向量机的基础成果，但之后较少研究，目前只有少部分学者认识到这个重要的研究方向.