基于BP的强分类器设计

1.基于BP_Adaboost的强预测器预测

%% 清空环境变量
clc
clear%% 下载数据
load data1 input output%% 权重初始化
k=rand(1,2000);
[m,n]=sort(k);%训练样本
input_train=input(n(1:1900),:)';
output_train=output(n(1:1900),:)';%测试样本
input_test=input(n(1901:2000),:)';
output_test=output(n(1901:2000),:)';%样本权重
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;%训练样本归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);K=10;
for i=1:K%弱预测器训练net=newff(inputn,outputn,5);net.trainParam.epochs=20;net.trainParam.lr=0.1;net=train(net,inputn,outputn);%弱预测器预测an1=sim(net,inputn);BPoutput=mapminmax('reverse',an1,outputps);%预测误差erroryc(i,:)=output_train-BPoutput;%测试数据预测inputn1=mapminmax('apply',input_test,inputps);an2=sim(net,inputn1);test_simu(i,:)=mapminmax('reverse',an2,outputps);%调整D值Error(i)=0;for j=1:nnif abs(erroryc(i,j))>0.2  %较大误差Error(i)=Error(i)+D(i,j);D(i+1,j)=D(i,j)*1.1;elseD(i+1,j)=D(i,j);endend%计算弱预测器权重at(i)=0.5/exp(abs(Error(i)));%D值归一化D(i+1,:)=D(i+1,:)/sum(D(i+1,:));end%% 强预测器预测
at=at/sum(at);%% 结果统计
%强分离器效果
output=at*test_simu;
error=output_test-output;
plot(abs(error),'-*')
hold on
for i=1:8
error1(i,:)=test_simu(i,:)-output;
end
plot(mean(abs(error1)),'-or')title('强预测器预测误差绝对值','fontsize',12)
xlabel('预测样本','fontsize',12)
ylabel('误差绝对值','fontsize',12)
legend('强预测器预测','弱预测器预测')

结果显示


2.基于BP-Adaboost的强分类器分类

%% 清空环境变量
clc
clear%% 下载数据
load data input_train output_train input_test output_test%% 权重初始化
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;%% 弱分类器分类
K=10;
for i=1:K%训练样本归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);error(i)=0;%BP神经网络构建net=newff(inputn,outputn,6);net.trainParam.epochs=5;net.trainParam.lr=0.1;net.trainParam.goal=0.00004;%BP神经网络训练net=train(net,inputn,outputn);%训练数据预测an1=sim(net,inputn);test_simu1(i,:)=mapminmax('reverse',an1,outputps);%测试数据预测inputn_test =mapminmax('apply',input_test,inputps);an=sim(net,inputn_test);test_simu(i,:)=mapminmax('reverse',an,outputps);%统计输出效果kk1=find(test_simu1(i,:)>0);kk2=find(test_simu1(i,:)<0);aa(kk1)=1;aa(kk2)=-1;%统计错误样本数for j=1:nnif aa(j)~=output_train(j);error(i)=error(i)+D(i,j);endend%弱分类器i权重at(i)=0.5*log((1-error(i))/error(i));%更新D值for j=1:nnD(i+1,j)=D(i,j)*exp(-at(i)*aa(j)*test_simu1(i,j));end%D值归一化Dsum=sum(D(i+1,:));D(i+1,:)=D(i+1,:)/Dsum;end%% 强分类器分类结果
output=sign(at*test_simu);%% 分类结果统计
%统计强分类器每类分类错误个数
kkk1=0;
kkk2=0;
for j=1:350if output(j)==1if output(j)~=output_test(j)kkk1=kkk1+1;endendif output(j)==-1if output(j)~=output_test(j)kkk2=kkk2+1;endend
endkkk1
kkk2
disp('第一类分类错误  第二类分类错误  总错误');
% 窗口显示
disp([kkk1 kkk2 kkk1+kkk2]);plot(output)
hold on
plot(output_test,'g')%统计弱分离器效果
for i=1:Kerror1(i)=0;kk1=find(test_simu(i,:)>0);kk2=find(test_simu(i,:)<0);aa(kk1)=1;aa(kk2)=-1;for j=1:350if aa(j)~=output_test(j);error1(i)=error1(i)+1;endend
end
disp('统计弱分类器分类效果');
error1disp('强分类器分类误差率')
(kkk1+kkk2)/350disp('弱分类器分类误差率')
(sum(error1)/(K*350))

结果显示

kkk1 =1kkk2 =14第一类分类错误  第二类分类错误  总错误1    14    15统计弱分类器分类效果error1 =34    14    16    16    16    16    17    15    17    15强分类器分类误差率ans =0.0429弱分类器分类误差率ans =0.0503

完毕