- 博客(0)
- 资源 (8)
- 收藏
- 关注
相关向量机 (RVM) 的 MATLAB 实现 (分类和回归)
相关向量机 (Relevance Vector Machine, RVM)
语言:MATLAB
版本:V2.1
-----------------------------------------
创作不易,欢迎各位5星好评~~~
如有疑问或建议,请发邮件至:iqiukp@outlook.com
可提供关于该算法/代码的付费咨询和有偿编写
-----------------------------------------
主要功能
1. 二分类学习(RVC)和回归学习(RVR)
2. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian)
3. 支持混合核函数(K = w1×K1+w2×K2+...+wn×Kn)
4. 支持基于贝叶斯超参数优化、遗传算法和粒子群算法的 RVM 参数优化
-----------------------------------------
注意
1. 仅支持 R2016b 以上的 MATLAB
2. 提供了多个示例文件,每个文件的开头都有对应的介绍
3. 此代码仅供参考
2020-03-25
支持向量数据描述 (SVDD) 的 Python 实现(异常检测/故障检测)
支持向量数据描述 (Support Vector Data Description, SVDD)
语言:Python
版本:V1.1
---------------------------------------------
创作不易,欢迎各位5星好评~~~
如有疑问或建议,请发邮件至:iqiukp@outlook.com
可提供关于该算法/代码的付费咨询和有偿编写
--------------------------------------------
主要功能
1. 基于 sklearn.base 的 SVDD BaseEstimator
2. 支持单值分类和二值分类的超球体构建
3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid)
4. 支持 2D 数据的决策边界可视化
---------------------------------------------
依赖库
cvxopt
matplotlib
numpy
scikit_learn
scikit-opt (可选,仅用于参数优化)
2020-03-25
基于MATLAB的SVDD决策边界可视化(libsvm-3.23)
支持向量数据描述(Support Vector Data Description,SVDD)是一种单值分类算法,能够实现目标样本和非目标样本的区分。
该代码实现了libsvm-3.23工具箱中SVDD的决策边界可视化,其实现流程为:
1. 建立训练集的SVDD超球体模型
2. 利用网格法填充训练集区域
3. 预测每个网格点的得分
4. 根据网格点得分绘制等高线
5. 绘制决策边界
利用香蕉数据集进行示例,给出了"欠拟合"、“正常”和“过拟合”情况下的SVDD决策边界可视化结果以及测试集的预测结果。
2019-10-19
偏最小二乘算法(Partial Least Squares,PLS)的回归应用
偏最小二乘算法(Partial Least Squares,PLS)是一种常见的多元线性回归算法,MATLAB在R2008a版本已经加入了PLS算法的实现函数。
该代码把偏最小二乘算法(Partial Least Squares,PLS)的回归应用整理为“读取数据-训练模型-数据预测”的形式。
2019-10-16
利用WOA算法优化libsvm中SVDD算法的参数
台湾大学林智仁 (Lin Chih-Jen) 教授等开发设计的 libsvm 工具箱提供了SVDD算法的MATLAB接口,其中两个关键参数 c 和 g 直接影响SVDD的单值分类结果。
该代码通过引入鲸鱼优化算法(Whale Optimization Algorithm,WOA),实现对 libsvm 工具箱中的SVDD算法的参数优化,给出两个实例代码:
1. libsvm 工具箱提供的heart_scale data
2. 工业过程数据
WOA的具体描述可以参考以下文献:
(1)Mirjalili S, Lewis A. The whale optimization algorithm[J]. Advances in engineering software, 2016, 95: 51-67.
该算法的提出者已经把代码开源在mathworks。
注:(1)该代码把 libsvm工具箱的svmtrain和svmpredict函数的名字分别改为libsvmtrain和libsvmpredict。
(2)WOA算法和其他群智能优化算法一样,容易陷入局部最优,若寻优结果出现异常,可以尝试多运行几次。
2019-10-16
利用GPML V4.2工具箱实现高斯过程回归(Gaussian process regression,GPR)的多变量数据预测
1. 代码主要基于GPML V4.2工具箱实现
2. 提供了两个应用实例(单变量预测和多变量预测)
3. 给出了预测均值和方差的可视化结果
2019-10-16
支持向量数据描述 (SVDD) 的 MATLAB 实现(异常检测/故障检测)
支持向量数据描述 (Support Vector Data Description, SVDD)
语言:MATLAB
版本:V2.1
-----------------------------------------------------
创作不易,欢迎各位5星好评~~~
如有疑问或建议,请发邮件至:iqiukp@outlook.com
可提供关于该算法/代码的付费咨询和有偿编写
-----------------------------------------------------
主要特点
1. 支持单值分类和二值分类的超球体构建
2. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian)
3. 支持 2D 或 3D 数据的决策边界可视化
4. 支持基于贝叶斯超参数优化、遗传算法和粒子群算法的SVDD的参数优化
5. 支持加权的 SVDD
-----------------------------------------------------
注意
1. SVDD V2.1 仅支持 R2016b 以上的 MATLAB 版本
2. 正样本和负样本对应的标签分别为 1 和 -1
3. 提供了多个示例文件,每个文件的开头都有对应的介绍
4. 此代码仅供参考
5. 可以阅读“SVDD-V2.1使用说明.pdf”文件了解更多用法
2019-10-16
核主元分析 (KPCA)的 MATLAB 实现 (降维、重构、特征提取、故障检测)
核主元分析 (Kernel Principal Component Analysis, KPCA)
语言:MATLAB
版本:V2.2
-----------------------------------------------------
创作不易,欢迎各位5星好评~~~
如有疑问或建议,请发邮件至:iqiukp@outlook.com
可提供关于该算法/代码的付费咨询和有偿编写
-----------------------------------------------------
主要特点
1. 易于使用的 API
2. 支持基于 KPCA 的数据降维、特征提取、数据重构
3. 支持基于 KPCA 的故障检测和故障诊断
4. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian)
5. 支持基于主元贡献率或给定数字的降维维度/主元个数选取
-----------------------------------------------------
注意
1. 仅支持基于高斯核函数的故障诊断
2. 核函数的参数对KPCA 模型的性能影响很大
3. 此代码仅供参考
2018-09-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人