调用lssvm训练好的模型

最新推荐文章于 2024-07-08 20:52:26 发布

hemancute

最新推荐文章于 2024-07-08 20:52:26 发布

阅读量4.1k

点赞数 5

本文链接：https://blog.csdn.net/hemancute/article/details/92801553

版权

本文主要讨论了使用LSSVM（Least Squares Support Vector Machine）模型进行异步电机解耦控制的训练过程及模型应用。作者在训练过程中遇到了模型在独立调用时效果下降的问题，代码展示了数据预处理、模型训练、测试集评估以及模型保存和加载的步骤。尽管模型在训练和测试集上表现良好，但在实际应用中效果不佳，可能的原因包括数据集划分、参数优化或归一化处理的差异。

摘要由CSDN通过智能技术生成

最近要实现异步电机的LSSVM逆控制，参考文献《基于LS-SVM的异步电机解耦控制方法》已附。遇到的问题是：训练得到的模型model挺好的，为什么单独拿出来调用，效果却很差？我的程序贴出来如下：1，训练程序 lssvm_um.m ，保存训练好的model ，文件名为 LSSVM1223
%% 文件：LS-SVM 程序学习，数据：MTdata1126.mat，具有6000组数据日期：20141209 目标：转矩电压输出um
%6输入1输出的系统
clear all
clc
%导入数据
load MTdata1126.mat
%随机产生训练集和测试集
n=randperm(size(MTdata1029_in,1));          %***********注意数据修改****************************
%训练集 1000个样本
train_matrix=MTdata1029_in(n(1:2:2000),:);
train_label=MTdata1029_um_out(n(1:2:2000),:);    %训练集输出值为um,对应于MTdata1126_um*********注意：修改部分*************
%测试集 200个样本
%test_matrix=MTdata1029_in(n(2:2:800),:);
%test_label=MTdata1029_um_out(n(2:2:800),:);
test_matrix=MTdata1029_in(n(5801:end),:);
test_label=MTdata1029_um_out(n(5801:end),:);    %测试集输出值为um,对应于data1017_um*********注意：修改部分************
%% 归一化处理
%训练集
[Train_matrix,inputps]=mapminmax(train_matrix');
Train_matrix=Train_matrix';                      %数据结构为4000*6
Test_matrix=mapminmax('apply',test_matrix',inputps);
Test_matrix=Test_matrix';                         %数据结构为2000*6
%测试集
[Train_label,outputps]=mapminmax(train_label');
Train_label=Train_label';                         %数据结构为4000*1
Test_label=mapminmax('apply',test_label',outputps);
Test_label=Test_label';                         %数据结构为2000*1
%%  *********************统一一下训练、测试集书写格式*****************************
X=Train_matrix; %训练集输入矩阵
Xt=Test_matrix; %测试集输入矩阵
Y=Train_label;  %训练集输出（标签）矩阵
Yt=Test_label;  %测试集输出（标签）矩阵
%% LS-SVM参数设置****************************************************************
%type = 'f';
%kernel = 'RBF_kernel';
%gam = 2;             % Regularization parameter
%sig2 = 0.25;          % Kernel parameter (bandwidth in the case of the 'RBF_kernel'
%model = initlssvm(X,Y,type,gam,sig2,kernel);    % ***********模型初始化********************
model = initlssvm(X,Y,'f'