列车分类模型

本例使用电离层包含雷达回波质量的数据集(Y)和预测数据(X)．雷达报告的质量良好(‘g’)或质量欠佳(“b”)．

加载电离层数据集。确定样本量。

负载电离层n =数字(Y)

N = 351

MATLAB函数块不能返回单元格数组。将响应变量转换为元素为的逻辑向量1如果雷达回报良好，而且0否则。

Y = strcmp(Y，‘g’）;

假设雷达回波是按顺序探测到的，你有前300个观测结果，但你还没有收到最后51个。将数据划分为当前样本和未来样本。

prsntX = X(1:300，:);prsntY = Y(1:300);ftrX = X(301:end，:);ftrY = Y(301:end);

使用当前所有可用数据训练支持向量机模型。指定预测器数据标准化。

Mdl = fitcsvm(prsntX,prsntY，“标准化”,真正的);

Mdl是一个ClassificationSVM模型。

使用保存模型saveLearnerForCoder

在命令行中，可以使用Mdl对新的观测结果进行预测。但是，您不能使用Mdl作为函数中用于代码生成的输入参数。

准备Mdl在函数中加载saveLearnerForCoder．

saveLearnerForCoder (Mdl“SVMIonosphere”）;

saveLearnerForCoder契约Mdl，然后保存在mat文件中SVMIonosphere.mat．

定义MATLAB函数

定义一个MATLAB函数svmIonospherePredict.m这可以预测雷达返回的数据是否质量良好。函数必须:

函数[label,score] = svmIonospherePredict(X)% # codegen使用SVM模型预测雷达回波质量% svmIonospherePredict预测标签和估计分类雷达返回的%分数在预测器数据X的数值矩阵中在文件SVMIonosphere.mat中使用紧凑的SVM模型。X行%对应观测值，列对应预测变量。标签%为预测标签，得分为置信度%雷达返回质量为良好。％版权所有The MathWorks Inc.Mdl = loadLearnerForCoder(“SVMIonosphere”）;[label,bothscores] = predict(Mdl,X);分数= bothscores(:，2);结束

注意:如果单击位于本页右上方部分的按钮并在MATLAB中打开此示例，则MATLAB将打开示例文件夹。此文件夹包括入口点函数文件。

创建Simulink模型

使用MATLAB函数块创建一个Simulink模型svmIonospherePredict.m．

本例提供了Simulink模型slexSVMIonospherePredictExample.slx．打开Simulink模型。

SimMdlName =“slexSVMIonospherePredictExample”；open_system (SimMdlName)

如图所示为Simulink模型。当输入节点检测到雷达返回时，它将该观察指示到MATLAB函数块，该函数块将调度到svmIonospherePredict.m．在预测标签和分数之后，模型将这些值返回到工作区，并在模型中一次显示一个值。加载的时候slexSVMIonospherePredictExample.slx， MATLAB也加载它需要调用的数据集radarReturnInput．但是，这个示例展示了如何构造所需的数据集。

该模型期望以结构数组的形式接收输入数据radarReturnInput包含这些字段:

为将来的雷达返回创建一个适当的结构数组。

radarReturnInput。时间= (0:50)';radarReturnInput.signals(1)。values = ftrX;radarReturnInput.signals(1)。维度= size(ftrX,2);

您可以从更改名称radarReturnInput，然后在模型中指定新名称。但是，Simulink期望结构数组包含所描述的字段名。

使用训练中持有的数据来模拟模型，即训练中的数据radarReturnInput．

sim (SimMdlName);

图中显示了在处理所有观测后的模型radarReturnInput一次一个。预测的标签X(351年:)是1它的正课分数是1.431．的变量吹捧，你,svmlogsout出现在工作区中。你而且svmlogsout是SimulinkData。数据集对象，其中包含预测的标签和分数。详情请参见记录模拟数据的数据格式(模型)．

从仿真日志中提取仿真数据。

labelsSL = svmlogsout.getElement(1).Values.Data;scoresSL = svmlogsout.getElement(2).Values.Data;

labelsSL是预测标签的51乘1数字向量。labelsSL (j)＝1表示支持向量机模型预测雷达返回j以后的样品质量很好，而且0否则意味着。scoresSL是一个51乘1的正类分数数字向量，即到决策边界的有符号距离。阳性分数对应于预测的标签1，负分数对应于预测的标签0．

在命令行中使用预测标签和正类分数预测．

[labelCMD,scoresCMD] = predict(Mdl,ftrX);scoresCMD = scoresCMD(:，2);

labelCMD而且scoresCMD都与labelsSL而且scoresSL．

比较未来样本，正类分数返回slexSVMIonospherePredictExample给那些召唤回来的人预测在命令行。

err = sum((scoresCMD - scoresSL).^2);Err < eps

ans =逻辑1

这组分数之间的偏差平方和可以忽略不计。

如果您还拥有Simulink Coder™许可证，则可以从slexSVMIonospherePredictExample.slx在Simulink或从命令行使用slbuild(模型)．详情请参见为模型生成C代码(仿真软件编码器)．