最小二乘支持向量机--LSSVM分类及MATLAB代码实现

最小二乘支持向量机–LSSVM分类及MATLAB代码实现

1. LSSVM算法原理

1.1 支持向量机 (SVM)

目标：支持向量机算法通过在解空间中求解出一个最优超平面，使得解空间的样本能够被此超平面正确分开。最优超平面的几何表示如下图所示，图中实线即为最优的超平面。

数学模型：

假设存在$m$个$n$维的样本 { x k , y k } , y k ∈ { − 1 , 1 } , x k ∈ R n , k = 1 , 2 , 3 ⋯ m \left\{x_{k}, y_{k}\right\}, y_{k} \in\{-1,1\}, x_{k} \in R^{n},k=1,2,3 \cdots m {xk​,yk​},yk​∈{−1,1},xk​∈Rn,k=1,2,3⋯m, 则SVM算法的目标函数和不等式约束如下：

$$\underset{\mathbf{W},b,\zeta }{\min }{J}_P(\mathbf{W},\zeta )=\frac{1}{2}{\mathbf{W}}^{\mathrm{T}}\mathbf{W}+c\sum _{k=1}^m{\zeta }_k,(1)$$

$$\text{ s.t. }{y}_k⩾{\mathbf{W}}^{\mathrm{T}}\phi \left(x_k\right)+b+{\zeta }_k,(2)$$
式中，$W$为超平面的法向量，$\zeta$为预测误差值，$\phi \left(x_k\right)$为核函数，$c$为惩罚因子, $b$为常量。

问题：不等式约束的存在，使得SVM算法求解较为困难。

1.2 最小二乘支持向量机 (LSSVM)

LSSVM算法对 (1) 和 (2) 式转换为如下等式，来提高求解问题的速度。

$$\underset{\mathbf{W},b,e}{\min }{J}_P(\mathbf{W},e)=\frac{1}{2}{W}^{\mathrm{T}}\mathbf{W}+\frac{r}{2}\sum _{k=1}^m{e}_k,(3)$$

$$\text{ s.t. }{y}_k={\mathbf{W}}^{\mathrm{T}}\phi \left(x_k\right)+b+e_k,(4)$$

式中，$r$为预测误差的惩罚因子，$e$为SVM预测误差$\zeta$的平方, 即$e={\zeta }^2$。

通过构造拉格朗日变换多项式，进行如下变换：
$$L(\mathbf{W},b,e,\alpha )=J_P(\mathbf{W},e)-\sum _{k=1}^m{\alpha }_k\left[{\mathbf{W}}^{\mathrm{T}}\phi \left(x_k\right)+b+e_k-y_k\right],(5)$$

对式 (5) 中的$W,b,e_k,{\alpha }_k$分别求偏导并令导数等于0，即可得到线性方程组，解之可得LSSVM算法的计算公式 (6)。

$$y(x)=\sum _{k=1}^m{\alpha }_{k}K\left(x,x_k\right)+b,(6)$$

式中, $K\left(x,x_k\right)$为核函数，可取径向基核, 多项式核, 线性核等。

2. LSSVM工具箱安装

LS_SVMlab工具箱可用于解决最小二乘支持向量机的分类以及回归问题。工具箱获取地址为：

http://www.esat.kuleuven.be/sista/lssvmlab

下载工具箱后，将其添加到MATLAB的工作搜索路径中即可。添加命令如下：

addpath('LSSVMlabv1_8_R2009b_R2011a')

值得注意的是，使用上述命令添加工具箱后，建议在共同的母文件夹下运行代码。

3. LSSVM分类案例

在安装了LSSVM工具箱后，可以用一个简单的二分类案例，检查是否安装成功。代码如下：

% 初始化程序
clear, clc
close all

% 创建数据
X = 2.*rand(30,2)-1;
Y = sort(randi([1,2],30,1));

% 设置参数与训练模型
% 'c' 表示分类，gam与sig2内核平方参数分别为10, 0.5
% 核函数采用 RBF径向基函数
gam = 10;
sig2 = 0.5;
[alpha,b] = trainlssvm({X,Y,'c',gam,sig2,'RBF_kernel'});
Y_hat = simlssvm({X,Y,'c',gam,sig2,'RBF_kernel','preprocess'},{alpha,b},X);
disp('真实值  预测值')
disp([Y, Y_hat])

%绘图
figure('Units' , 'normalized' , ...
    'name' , '预测值类型与实际类型的对比' ,...
    'position' , [0.25 0.25 0.5 0.5] , ...
    'nextplot' , 'add');
plot(1: 30, Y, 'bo', 1:30, Y_hat, 'r*', 'linewidth', 1.0)
xlabel('样本编号'); ylabel('类型'); legend('期望类型' , '预测类型')
title({'LS-SVM模型训练结果' , ['Accuracy = ', num2str( sum(Y == Y_hat)/30 * 100 ), '%']})

如果添加路径成功，则运行得到以下图像：

4. MATLAB代码

CSDN下载代码

https://download.csdn.net/download/qq_57971471/87730279