应用于LSSVM对偶问题的张量列车卡尔曼滤波器的代码（Matlab代码实现）

       目录

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

---

​

💥1 概述

支持向量机是借助优化方法解决机器学习问题的新工具.近年来,支持向量机越来越受到人们的广泛关注,在其理论研究和算法实现方面都取得了重大进展,成为机器学习领域的前沿热点课题。支持向量机将机器学习问题转化为优化问题,并应用优化理论构造算法.优化理论是支持向量机的重要理论基础之一,本文主要从优化理论和方法的角度对支持向量机进行研究。

本代码用于找到交叉验证分数函数最小值的优化例程。调谐程序由两个步骤组成：1）耦合模拟退火确定合适的调谐参数；

2）单纯形法使用这些先前的值作为起始值，以便对参数进行微调。主要优势是速度。找到最佳参数所需的功能评估数量从v1.6中的±200减少到本版本中的50。

•本版本增加了经偏差校正的近似100（1−α）%逐点/同时置信区间和预测区间的构造。

📚2 运行结果

 

主函数部分代码：

close all

clear all

clc

SineSw = load('F16Data_SineSw_Level3.mat');

FullMSine = load('F16Data_FullMSine_Level5.mat');

OddMSine = load('F16Data_SpecialOddMSine_Level2.mat');

fs1 = SineSw.Fs;

fs2 = FullMSine.Fs;

fs3 = OddMSine.Fs;

N1 = 108477;

N2 = 8192;

N3 = 2*8192;

freq1 = 0:fs1/N1:fs1-fs1/N1;

freq2 = 0:fs2/N2:fs2-fs2/N2;

freq3 = 0:fs3/N3:fs3-fs3/N3;

figure; hold on;

plot(freq1,squeeze(db(fft(SineSw.Acceleration(1,:)))))

plot(freq2,squeeze(db(fft(FullMSine.Acceleration(1,end-N2+1:end)))))

plot(freq3,squeeze(db(fft(OddMSine.Acceleration(1,1,end-N3+1:end)))))

🎉3 参考文献

[1]吴青. 基于优化理论的支持向量机学习算法研究[D].西安电子科技大学,2009.

👨‍💻4 Matlab代码