最小二乘支持向量机的自编代码和安装SVM工具箱方法.doc

最小二乘支持向量机的自编代码
clear all;
clc;
N=35; %样本个数
NN1=4; %预测样本数
%********************随机选择初始训练样本及确定预测样本*******************************
x=[];
y=[];
index=randperm(N); %随机排序N个序列
index=sort(index);
gama=23.411; %正则化参数
deita=0.0698; %核参数值
%thita=; %核参数值
%*********构造感知机核函数*************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% 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:N
x1=x(:,index(i));
for j=1:N
x2=x(:,index(j));
x12=x1-x2;
K(i,j)=exp(-(x12'*x12)/2/(deita*deita));
end
end
%*********构造多项式核函数****************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=(1+x1'*x2)^(deita);
% end
%end
%*********构造核矩阵************************************
for i=1:N-NN1
for j=1:N-NN1
omeiga1(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];
%**************************************
for i=1:N-NN1
B21(i,:)=y(index(i));
end
B=[0;B21];
%********LS-SVM模型的解******************************
C=A\B;
%******
b=C(1); %模型参数
for i=1:N-NN1
aipha(i)=C(i+1); %模型参数，行向量
end
%*******************************************
for i=1:N %预测模型
aifx(i)=b+(aipha)*K(1:N-NN1,i);
end
%*******************************************
aifx
index

从网上搜到，还没试，不知那个可以成功，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添加工具箱的路径。在命令窗口中敲入pathtool，会出现一个setpath的窗口，点add folder或者add with subfolders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:\MATLAB6p5\toolbox 
然后运行matlab，在命令窗口输入addpath D:\MATLAB6p5\toolbox\svm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which svcinfo.m 
如果显示出该文件路径，如 D:\MATLAB6p5\toolbox\svm\svcinfo.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 -setup
Matlab会询问你是否需要locate installed compiler，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Matlab 7.1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->Set Path->Add Folder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： 
load heart_scale.mat 
model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 2');
如果运行正常并生成了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(Statistical Learning Theory 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(Support Vector Machine 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.