本文介绍了如何在MATLAB环境下利用sample、SVMdata、sepjoin和write4libsvm函数进行采样、计算特征、生成训练及测试集，并转换为libSVM格式。接着在libSVM中，通过svm-scale进行数据预处理，svm-train得到模型，svm-predict进行分类预测。未来计划是研究不同采样窗口下预测的准确率，并在MATLAB中实现检测率和误检率的计算程序。
在matlab环境下：
1. 采样。函数sample
2. 加上类标，计算特征值。函数SVMdata
3. 生成训练集、测试集。函数sepjoin
4. 转换成libSVM要求的格式。函数write4libsvm
为了方便修改，上述4步可以集中存放在WholeFlow.m中：
[sampled_no,sampled_with] = sample (packetprocess_no,packetprocess_with,300,320,sw,si);
SVM_no = SVMdata(sampled_no,no,0);
SVM_with = SVMdata(sampled_with,no,1);
[train,test] = sepjoin(SVM_no,SVM_with,200,100);
write4libsvm(train);
write4libsvm(test);
在libSVM环境下：
5. 数据预处理，通过svm-scale命令将训练集和测试集进行适当缩
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
