matlab验证植物电信号分类（更新）

一、SVM，rbf内核，交叉验证

function [ classfication ] = SVM2_2( train,test )
%使用植物电信号数据进行二分类实验（45*30），其中，每一行代表一个样本，
%共有45行，每一个样本包含30个特征，即30列。且1-18，19-450行的数据为同一类，分别为dk（抗盐），LD（盐敏感）

data=xlsread('C:\Users\ihor\Desktop\30个特征参数.xlsx');         % 下载数据
meas=data(:,1:30);                      %选取出数据前45行，前30列：特征
species=data(:,31);                    %选取出数据前45行，最后1列：类别
X=meas;
Y=nominal(ismember(species,1));
P=cvpartition(Y,'holdout',0.2);     %交叉验证，测试集为20%

%使用训练数据，进行SVM模型训练
svmModel = svmtrain(X(P.training,:),Y(P.training),'kernel_function','rbf','showplot',false);
%使用测试数据，测试分类效果
C = svmclassify(svmModel,X(P.test,:),'showplot',false);
%分类错误率
errRate = sum(Y(P.test)~= C)/P.TestSize

end

错误率30%~44%

下一步考虑特征降维。

t-SNE降维：

维数	错误率
2	0.89
3	0.44
4	0/0.11/0.22/0.44/0.33
5	0.44
6	0.33
7	0.22/0.11/0.56/0.33
8	0.44
9	0.33
10	0.44
11	0.33
12	0.33
13	0.44
14	0.44
15	0.44
16	0.44
17	0.44
20	0.33
21	0.33
29	0.33
30	0.44

二、BP神经网络

训练集：测试集=7:3

%读取训练数据
trainData = xlsread('C:\Users\ihor\Desktop\trainData.xlsx'); 
f=trainData(:,1:30);                %选取出数据30行，前30列：特征
class=trainData(:,31);            %选取出数据30行，最后1列：类别

%特征值归一化
[input,minI,maxI] = premnmx( f')  ;

%构造输出矩阵
s = length( class ) ;
output = zeros( s , 2  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%创建神经网络
net = newff( minmax(input) , [10 2] , { 'logsig' 'purelin' } , 'traingdx' ) ; 

%设置训练参数
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

%开始训练
net = train( net, input , output' ) ;

%读取测试数据
testData =  xlsread('C:\Users\ihor\Desktop\testData.xlsx'); 
t=testData(:,1:30);                %选取出数据15行，前30列：特征
c=testData(:,31);                  %选取出数据15行，最后1列：类别

%测试数据归一化
testInput = tramnmx ( t' , minI, maxI ) ;

%仿真
Y = sim( net , testInput ) 

%统计识别正确率
[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
    [m , Index] = max( Y( : ,  i ) ) ;
    if( Index  == c(i)   ) 
        hitNum = hitNum + 1 ; 
    end
end
sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )

神经元个数	激活函数	训练函数	训练次数show	最大训练次数epochs	性能目标goal	学习速率lr	识别率
10	logisig、purelin	traingdx	50	500	0.01	0.01	53.33%~60%

三、朴素贝叶斯

%2018.4.16
%读取训练、测试集
Data_train = xlsread('C:\Users\ihor\Desktop\trainData.xlsx'); 
Data_prediction = xlsread('C:\Users\ihor\Desktop\testData.xlsx'); 

%训练集特征、类别
training_data = Data_train(:,1:30);
training_label = Data_train(:,31);

%测试集特征、类别
prediction_data = Data_prediction(:,1:30);
prediction_label = Data_prediction(:,31);

%朴素贝叶斯分类
nb=NaiveBayes.fit(training_data,training_label);
predict_label1=predict(nb,prediction_data);

%准确率
training_accuracy=length(find(predict_label1==prediction_label))/length(prediction_label)

不降维分类的准确率有53.33%