基于SVDD算法的数据分类matlab仿真,包含仿真操作录像,中文注释

function [X_star, Y_star, alpha_star, Rsquared_star, ... a_star, SV_star, YSV_star, param_star] = ... ZeroFPR_SVDD(X, Y, alpha, Rsquared, kernel, param, C1, C2, treshold, param_opt) % Zero False Positive Rate SVM with Distance Metric (ZFPR_SVDD)函数用于计算训练集的零假阳性率SVM边界。 % 输入参数： % X：输入样本的特征矩阵，大小为n×d。 % Y：输入样本的标签，大小为n×1。 % alpha：SVM的惩罚系数。 % Rsquared：决定训练样本重要性的权重系数。 % kernel：SVM使用的核函数类型。 % param：SVM核函数的参数。 % C1、C2、treshold、param_opt：其他参数。 % 输出参数： % X_star、Y_star、alpha_star、Rsquared_star、a_star、SV_star、YSV_star、param_star。 % 其中，X_star和Y_star表示训练得到的支持向量机边界；alpha_star表示训练得到的SVM惩罚系数； % Rsquared_star表示训练得到的权重系数；a_star表示训练得到的间隔参数；SV_star和YSV_star表示训练得到的支持向量； % param_star表示训练得到的核函数参数。 maxiter=1000;% 最大迭代次数 i=0; m = size(X,2); % 使用SVDD_N1C_TEST函数计算测试样本到训练样本的距离，并返回距离最近的训练样本的标签 y_i= SVDD_N1C_TEST(X, Y, alpha, X, kernel, param, Rsquared); %FPR_old=0; while(i<maxiter) i=i+1; % 迭代次数计数器自增1 X_pred_i=[X,Y,y_i];% 将当前迭代得到的标签y_i添加到训练样本的特征矩阵X中，形成新的训练样本特征矩阵X_pred_i % 从X_pred_i中筛选出标签为1的样本作为正类样本，标签为-1的样本作为负类样本，分别形成XP_i和XN_i XP_i = X_pred_i(X_pred_i(:,m+2)==1,(1:m)); XN_i = X_pred_i(X_pred_i(:,m+2)==-1,(1:m)); X_i = [XP_i;XN_i];% 将正类样本和负类样本合并，形成当前的训练样本集X_i % 从X_pred_i中筛选出标签为1的样本的y值和标签为-1的样本的y值，分别形成YP_i和YN_i YP_i=X_pred_i(X_pred_i(:,m+2)==1,m+1); YN_i=X_pred_i(X_pred_i(:,m+2)==-1,m+1); Y_i = [YP_i;YN_i];% 将正类样本和负类样本的y值合并，形成当前的标签集Y_i if(isequal(param_opt,'Y'))% 如果param_opt等于'Y'，则进行参数优化 disp('Parametr optimization started') % 在训练集的1000个样本上进行参数优化，得到最优的核函数参数param_star等 X_opt=X_i(1:1000,:); Y_opt=Y_i(1:1000,:); intKerPar = linspace(0.1,5,10); [param_star, ~, ~, ~, ~] = ... OptimiseParam_NSVDD(X_opt, Y_opt, kernel, 0.5, 3, intKerPar, C1, C2); else % 如果param_opt不等于'Y'，则直接使用输入 param_star = param; end [alpha, Rsquared_i, a_i, SV_i, YSV_i] = ... SVDD_N1C_TRAINING(X_i, Y_i, kernel, param_star, C1, C2,'off'); y_i = SVDD_N1C_TEST(X_i, Y_i, alpha, X, kernel, param_star, Rsquared_i); M_i = [y_i Y]; N = nnz(Y_i(:,1)==-1); FP = sum(M_i(:,1)==+1 & M_i(:,2)==-1); FPR_i = FP/N; if(FPR_i<treshold)% || (abs(FPR_i-FPR_old)<0.01*FPR_old)) disp('Treshold reached') break; end disp(['Iteration ', num2str(i), '--> FPR = ', num2str(FPR_i)]) end X_star = X_i; Y_star = Y_i; alpha_star = alpha; Rsquared_star = Rsquared_i; a_star = a_i; SV_star = SV_i; YSV_star = YSV_i;