加载数据

加载digitimages．

负载digitimages.mat

图片是一个28 × 28 × 3000的数组吗uint16整数。每一页都是一个数字的栅格图像。每个元素都是一个像素强度。对应的标签在3000 × 1的数字向量中Y．有关详细信息，请输入描述在命令行。

存储观察的数量和预测变量的数量。创建一个指定保留20%数据的数据分区。从数据分区中提取训练和测试集指标。

rng (1);%的再现性n =大小(图片3);p =元素个数(图片(:,:1));本量利= cvpartition (n,“坚持”, 0.20);idxTrn =培训(cvp);idxTest =测试(cvp);

重新调节数据

重新调整像素强度，使它们在每个图像的区间[0,1]内。具体来说,假设 $$p_{我j}$$是像素强度 $$j$$在图像 $$我$$．的图像 $$我$$，通过使用以下公式重新缩放其所有像素强度:

X =双(图片);为i = 1:n minX = min(min(X(:，:，i)));maxX = max (max (X(:,:我)));X(:，:，i) = (X(:，:，i) - minX)/(maxX - minX);结束

重塑数据

对于代码生成，用于训练的预测器数据必须在数字变量表或数字矩阵中。

将数据重塑为一个矩阵，使预测变量对应列，图像对应行。因为重塑按列取元素，对其结果进行转置。

X =重塑(X, (p, n));

训练和优化分类模型

基于训练观察，交叉验证支持向量机二元学习者和随机森林的ECOC模型。用5倍交叉验证。

对于ECOC模型，指定预测器标准化并在ECOC编码设计和支持向量机框约束上优化分类误差。探索这些值的所有组合:

编码= {“onevsone”“onevsall”};boxconstraint = logspace(1、2、3);cvLossECOC =南(元素个数(编码),元素个数(boxconstraint));%的预先配置为i = 1:元素个数(编码)为j = 1:numel(boxconstraint) t = templateSVM(“BoxConstraint”boxconstraint (j),“标准化”,真正的);CVMdl = fitcecoc (X (idxTrn:), Y (idxTrn),“学习者”t“KFold”5,.．.“编码”、编码{我});cvLossECOC (i, j) = kfoldLoss (CVMdl);流('cvLossECOC =%f用于使用%s编码和框约束=%f\n'，.．.cvLossECOC (i, j),编码{我},boxconstraint (j))结束结束

cvLossECOC = 0.058333，对于使用单一编码和盒约束的模型，cvLossECOC = 0.057083，对于使用单一编码和盒约束的模型，cvLossECOC = 0.050000，对于使用单一编码和盒约束的模型，cvLossECOC = 0.120417，对于使用单一编码和盒约束的模型，cvLossECOC = 0.121667，对于使用单一编码和盒约束的模型，cvLossECOC = 0.127917，对于使用单一编码和盒约束的模型，cvLossECOC = 0.162278，对于使用单一编码和盒约束的模型，cvLossECOC = 0.127917

对于随机森林，使用序列中的值来改变最大分割数 $$｛{3.}^2，{3.}^{3.}，．．．，{3.}^{米}｝$$．M是这样的 $${3.}^{米}$$并不比n- 1。若要再现随机预测器选择，请指定“重现”,真的．

n =大小(X, 1);M = floor(log(n - 1)/log(3));maxNumSplits = 3。^ (2:m);cvLossRF =南(元素个数(maxNumSplits));为i = 1:numel(maxnumslices) t = templateTree(“MaxNumSplits”maxNumSplits(我),“复制”,真正的);CVMdl = fitcensemble (X (idxTrn:), Y (idxTrn),“方法”，“包”，“学习者”t.．.“KFold”5);cvLossRF (i) = kfoldLoss (CVMdl);流('cvLossRF = %f用于使用%d作为最大分割数的模型\n'，.．.cvLossRF(我),maxNumSplits(我))结束

cvLossRF = 0.319167对于使用9作为最大分裂数的模型cvLossRF = 0.192917对于使用27作为最大分裂数的模型cvLossRF = 0.066250对于使用81作为最大分裂数的模型cvLossRF = 0.015000对于使用243作为最大分裂数的模型cvLossRF = 0.013333对于使用729作为最大分裂数的模型cvLossRF = 0.009583对于使用2187作为最大分裂数的模型

对于每种算法，确定产生最小误分类率的超参数指标。

minCVLossECOC = min (cvLossECOC (:))

minCVLossECOC = 0.0500

linIdx = find(cvLossECOC == minCVLossECOC,1);[bestI, bestJ] = ind2sub(大小(cvLossECOC), linIdx);bestCoding编码= {bestI}

bestCoding = ' onevsone '

bestBoxConstraint = boxconstraint (bestJ)

bestBoxConstraint = 100

minCVLossRF = min (cvLossRF (:))

minCVLossRF = 0.0096

linIdx = find(cvLossRF == minCVLossRF,1);[bestI, bestJ] = ind2sub(大小(cvLossRF), linIdx);bestMNS = maxNumSplits (bestI)

bestMNS = 2187

随机森林实现了更小的交叉验证误分类率。

利用训练数据训练ECOC模型和随机森林。提供最优超参数组合。

t = templateSVM (“BoxConstraint”bestBoxConstraint,“标准化”,真正的);MdlECOC = fitcecoc (X (idxTrn:), Y (idxTrn),“学习者”t“编码”, bestCoding);t = templateTree (“MaxNumSplits”, bestMNS);MdlRF = fitcensemble (X (idxTrn:), Y (idxTrn),“方法”，“包”，“学习者”t);

为测试样本图像创建一个变量，并使用训练过的模型来预测测试样本标签。

testImages = X (idxTest:);testLabelsECOC =预测(MdlECOC testImages);testLabelsRF =预测(MdlRF testImages);

将分类模型保存到磁盘

MdlECOC而且MdlRF是预测性分类模型，但您必须为代码生成做好准备。保存MdlECOC而且MdlRF到您当前的工作文件夹使用saveLearnerForCoder．

saveLearnerForCoder (MdlECOC“DigitImagesECOC”）;saveLearnerForCoder (MdlRF“DigitImagesRF”）;

为预测创建系统对象

创建两个System对象，一个用于ECOC模型，另一个用于随机森林，即:

类型ECOCClassifier.m显示ECOCClassifier的内容。m文件

classdef ECOCClassifier < matlab。% % ECOCCLASSIFIER从% |'DigitImagesECOC加载经过训练的ECOC模型。Mat '|，并基于训练的模型预测新的观察%的标签。ECOC模型在% |' digittimagesecoc。米at'| was cross-validated using the training data % in the sample data |digitimages.mat|. properties(Access = private) CompactMdl % The compacted, trained ECOC model end methods(Access = protected) function setupImpl(obj) % Load ECOC model from file obj.CompactMdl = loadLearnerForCoder('DigitImagesECOC'); end function y = stepImpl(obj,u) y = predict(obj.CompactMdl,u); end function flag = isInputSizeMutableImpl(obj,index) % Return false if input size is not allowed to change while % system is running flag = false; end function dataout = getOutputDataTypeImpl(~) dataout = 'double'; end function sizeout = getOutputSizeImpl(~) sizeout = [1 1]; end end end

类型RFClassifier.m显示RFClassifier的内容。m文件

classdef RFClassifier < matlab。% % RFCLASSIFIER从% |'DigitImagesRF加载经过训练的随机森林。Mat '|，并基于训练过的模型预测新观察的标签。|'DigitImagesRF中的随机森林。米at'| % was cross-validated using the training data in the sample data % |digitimages.mat|. properties(Access = private) CompactMdl % The compacted, trained random forest end methods(Access = protected) function setupImpl(obj) % Load random forest from file obj.CompactMdl = loadLearnerForCoder('DigitImagesRF'); end function y = stepImpl(obj,u) y = predict(obj.CompactMdl,u); end function flag = isInputSizeMutableImpl(obj,index) % Return false if input size is not allowed to change while % system is running flag = false; end function dataout = getOutputDataTypeImpl(~) dataout = 'double'; end function sizeout = getOutputSizeImpl(~) sizeout = [1 1]; end end end

注意:如果您单击位于此页右上角部分的按钮，并在MATLAB®中打开此示例，那么MATLAB®将打开示例文件夹。这个文件夹包括本例中使用的文件。

系统对象基本要求请参见定义基本的系统对象．

为代码生成定义预测函数

定义两个MATLAB函数称为predictDigitECOCSO.m而且predictDigitRFSO.m．功能:

类型predictDigitECOCSO.m显示predictDigitECOCSO的内容。m文件

使用ECOC模型对图像中的数字进行分类系统对象% predictDigitECOCSO使用系统对象ECOCClassifier中的紧凑ECOC模型对X %的行中28 × 28的图像进行分类，然后%返回label中的类标签。分类器= ECOCClassifier;标签=(分类器,X)步;结束

类型predictDigitRFSO.m显示predictDigitRFSO的内容。m文件

使用RF Model系统对象% predictDigitRFSO使用系统对象RFClassifier中的紧凑随机森林对X %的行中28 × 28的图像进行分类，%然后返回label中的类标签。分类器= RFClassifier;标签=(分类器,X)步;结束

编译MATLAB函数到MEX文件

将达到较好测试样本精度的预测函数编译到MEX文件中codegen．方法指定测试集图像arg游戏论点。

如果(mincvlossoc <= minCVLossRF)代码原predictDigitECOCSOarg游戏testImages其他的codegenpredictDigitRFSOarg游戏testImages结束

代码生成成功。

验证生成的MEX文件产生与MATLAB函数相同的预测。

如果(mincvlossoc <= minCVLossRF) mexLabels = predictDigitECOCSO_mex(testImages);verifyMEX = sum(mexLabels == testLabelsECOC) == numel(testLabelsECOC)其他的mexLabels = predictDigitRFSO_mex (testImages);verifyMEX = sum(mexLabels == testLabelsRF) == numel(testLabelsRF)结束

verifyMEX =逻辑1

verifyMEX是1，说明所生成的MEX文件与相应的MATLAB函数所做的预测是相同的。

在Simulink中使用系统对象预测标签

创建一个视频文件，逐帧显示测试集图像。

v = VideoWriter (“testImages.avi”，未压缩的AVI的）;v.FrameRate = 1;开放(v);Dim =√(p)*[1 1];为j = 1:size(testImages,1) writeVideo(v，重塑(testImages(j，:)，dim));结束关闭(v);

定义一个函数scalePixelIntensities.m它将RGB图像转换为灰度，然后缩放得到的像素强度，使其值在区间[0,1]内。

类型scalePixelIntensities.m显示scalepixelintensity的内容。m文件

scalepixelintenties缩放图像像素强度% scalepixelintenties缩放图像像素强度%使得结果x是区间[0,1]中的值的行向量。imdat = rgb2gray (imdat);minimdat = min (min (imdat));maximdat = max (max (imdat));X = (imdat - minimdat)/(maximdat - minimdat);结束

加载Simulink®模型slexClassifyAndDisplayDigitImages.slx．

SimMdlName =“slexClassifyAndDisplayDigitImages”；open_system (SimMdlName);

图中显示了Simulink®模型。在模拟开始时，From Multimedia File块加载测试集图像的视频文件。对于视频中的每张图片:

模拟模型。

sim (SimMdlName)

该模型能快速显示所有600张测试集图像及其预测。最后的图像保留在视频显示中。您可以生成预测，并通过单击相应的图像逐一显示它们一步按钮。

如果您也有Simulink®Coder™许可证，那么您可以从slexClassifyAndDisplayDigitImages.slx在Simulink®或从命令行使用slbuild(模型)．有关更多细节，请参见为模型生成C代码(仿真软件编码器)．