OVO-TSVM.zip_OVO TSVM_OVOTSVM_ovo支持向量机_双支持向量机_孪生支持向量

function model = OvO_TSVM(label,data,c,ker,n_class) % ‘一对一’Twin support vector machine 十交叉验证 % 输入：label:数据标签 % data：训练数据 % c:参数,可以是一个数，也可以以一个矩阵形式为每一个二分类器指定一组参数 % ker：核函数struct｛'type',kernelType,['width',kernelparameter]｝ % 'linear'线性核，‘gauss’高斯RBF核 % 输出：model：结构体，用作function [prel,accuracy] = OvOTSVMpredict(label_test,data_test,model) % 的输入 % Written in JLIIP, School of Compuer Science and % Technology,CUMT,Xuzhou if nargin<5 n_class=length(unique(label)); end if nargin<4 ker.type = 'linear'; end if nargin<3 c=1; end [cn1,cn2]=size(c); if cn1==1&&cn2==1 c=c*ones(n_class,n_class); end if strcmp(ker.type,'linear') data1 = data; else if strcmp(ker.type,'gauss') data1=ker_Gaussian(data,data,ker); end end v1=[]; v2=[]; for i = 1:1:n_class-1 for j= i+1:1:n_class data_op = data1(label==i,:); data_ng = data1(label==j,:); %label_temp=[ones(size(data_op,1),1);ones(size(data_ng,1),1)]; [w1,w2] = TWSVMtrain(data_op,data_ng,c(i,j)); v1=[v1,w1]; v2=[v2,w2]; end end if strcmp(ker.type,'linear') model.v1=v1; model.v2=v2; model.ker= ker; model.n_class=n_class; model.label=label; else if strcmp(ker.type,'gauss') model.v1=v1; model.v2=v2; model.ker= ker; model.n_class=n_class; model.data = data; model.label=label; end end end function [w1,w2] = TWSVMtrain(data_op,data_ng,c) A=data_op; B=data_ng; q=size(A,1);S=size(B,1); e1=ones(q,1);e2=ones(S,1); % 计算H,G H=[A,e1]; G=[B,e2]; Q=G/(H'*H+0.05*eye(size(H'*H,1)))*G'; % S*S Q1=(H'*H+0.05*eye(size(H'*H,1)))\G'; % l1*S % 产生矩阵f f=-e2; % 变量限制 lb=zeros(S,1); ub=c*ones(S,1); % 产生初始点x0 x0=zeros(S,1); % 求最优解x [x,~,~]=quadprog(Q,f,[],[],[],[],lb,ub,x0); w1=-Q1*x; % 计算H,G G=[A,e1]; H=[B,e2]; Q=G/(H'*H+0.05*eye(size(H'*H,1)))*G'; Q1=(H'*H+0.05*eye(size(H'*H,1)))\G'; % 产生矩阵f f=-e1; % 变量限制 lb=zeros(q,1); ub=c*ones(q,1); % 产生初始点x0 x0=zeros(q,1); % 求最优解x [x,~,~]=quadprog(Q,f,[],[],[],[],lb,ub,x0); w2=-Q1*x; end