KECA（训练、测试集分开）.zip_Q9A_keca_核熵_核熵分析_测试集

clear; clc; X=load('E:\KuGou\sxpshuju\baijiujifen\trainjifen.dat'); T=load('E:\KuGou\sxpshuju\baijiujifen\testjifen.dat'); [Xrow, Xcol] = size(X); % Xrow：样本个数 Xcol：样本属性个数 [Xrow_t, Xcol_t] = size(T) %% 数据预处理，进行标准化出理，处理后均值为0方差为1 X0=zscore(X); % 标准阵X0,标准化为均值0，方差1; T0=zscore(T); c=3.61 % 核参数取值 %% 求核矩阵 for i = 1 : Xrow for j = 1 : Xrow K(i,j) = exp(-(norm(X0(i,:) - X0(j,:)))^2/c);%求核矩阵，采用径向基核函数，参数c end end %% 特征值分解 [V,D]=eig(K, 'nobalance' );%求特征值和特征向量 d1=max(D);%求每一列的最大特征值 for i = 1 : Xrow entropy(i) = d1(:,i)*(V(:,i)'*n0)^2;%求熵 end [t,r]=sort(entropy,'descend');%将特征值按降序排列，t是排列后的数组，r是序号 k1=V(:,r);%对应于特征值的特征向量 for i=1:max(r); G(i)=t(i)/sum(t); end G;%求某个特征值的贡献率 Z=K*k1; %训练样本核熵变换后输出结果 %% 测试样本处理 for i=1:Xrow_t, %test_num是测试样本的个数 for j=1:Xrow,%cov_size是训练样本的个数 K_t(i,j)= exp(-(norm(T0(i,:) - X0(j,:)))^2/c); end end Zt = [K_t*k1];%测试样本核熵变换后输出结果 save ktr1.dat Z -ascii; save kt201.dat Zt -ascii; x1=Z(1:80,1); x2=Z(1:80,2); x3=Z(1:80,3); y1=Z(81:160,1); y2=Z(81:160,2); y3=Z(81:160,3); z1=Z(161:240,1); z2=Z(161:240,2); z3=Z(161:240,3); o1=Z(241:320,1); o2=Z(241:320,2); o3=Z(241:320,3); p1=Z(321:400,1); p2=Z(321:400,2); p3=Z(321:400,3); q1=Z(401:480,1); q2=Z(401:480,2); q3=Z(401:480,3); plot3(x1,x2,x3,'b<',y1,y2,y3,'g+',z1,z2,z3,'r*',o1,o2,o3,'m>',p1,p2,p3,'co',q1,q2,q3,'k^'); xlabel('FD1'); ylabel('FD2'); zlabel('FD3'); z=Zt; y1=z(1:20,1); y2=z(1:20,2); y3=z(21:40,1); y4=z(21:40,2); y5=z(41:60,1); y6=z(41:60,2); y7=z(61:80,1); y8=z(61:80,2); y9=z(81:100,1); y10=z(81:100,2); y11=z(101:120,1); y12=z(101:120,2); figure; plot(y1,y2,'b<',y3,y4,'g+',y5,y6,'r*',y7,y8,'m>',y9,y10,'co',y11,y12,'k^'); xlabel('FD1'); ylabel('FD2');