基于BP-Adaboost的强分类器设计.docVIP

%% 清空环境变量 clc clear %% 下载数据 load data1 input output %% 权重初始化 k=rand(1,2000); [m,n]=sort(k); %训练样本 input_train=input(n(1:1900),:); output_train=output(n(1:1900),:); %测试样本 input_test=input(n(1901:2000),:); output_test=output(n(1901:2000),:); %样本权重 [mm,nn]=size(input_train); D(1,:)=ones(1,nn)/nn; %训练样本归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); K=10; for i=1:K %弱预测器训练 net=newff(inputn,outputn,5); net.trainParam.epochs=20; net.trainParam.lr=0.1; net=train(net,inputn,outputn); %弱预测器预测 an1=sim(net,inputn); BPoutput=mapminmax(reverse,an1,outputps); %预测误差 erroryc(i,:)=output_train-BPoutput; %测试数据预测 inputn1=mapminmax(apply,input_test,inputps); an2=sim(net,inputn1); test_simu(i,:)=mapminmax(reverse,an2,outputps); %调整D值 Error(i)=0; for j=1:nn if abs(erroryc(i,j))0.2 %较大误差 Error(i)=Error(i)+D(i,j); D(i+1,j)=D(i,j)*1.1; else D(i+1,j)=D(i,j); end end %计算弱预测器权重 at(i)=0.5/exp(abs(Error(i))); %D值归一化 D(i+1,:)=D(i+1,:)/sum(D(i+1,:)); end %% 强预测器预测 at=at/sum(at); %% 结果统计 %强分离器效果 output=at*test_simu; error=output_test-output; plot(abs(error),-*) hold on for i=1:8 error1(i,:)=test_simu(i,:)-output; end plot(mean(abs(error1)),-or) title(强预测器预测误差绝对值,fontsize,12) xlabel(预测样本,fontsize,12) ylabel(误差绝对值,fontsize,12) legend(强预测器预测,弱预测器预测) %% 清空环境变量 clc clear %% 下载数据 load data input_train output_train input_test output_test %% 权重初始化 [mm,nn]=size(input_train); D(1,:)=ones(1,nn)/nn; %% 弱分类器分类 K=10; for i=1:K %训练样本归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); error(i)=0; %BP神经网络构建 net=newff(inputn,outputn,6); net.trainParam.epochs=5; net.trainParam.lr=0.1; net.trainParam.goal=0.00004; %BP神经网络训练 net=train(net,inputn,outputn); %训练数据预测