基于BP弱分类器用Adaboost的强分类器

1、模型的建立

详细代码：

<span style="font-size:18px;">%% 该代码为基于BP_Adaboost的强预测器预测%% 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:nnif 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;elseD(i+1,j)=D(i,j);endend%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')</span>

分类1 -1 代码：

<span style="font-size:18px;">%% 该代码为基于BP-Adaboost的强分类器分类%% 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an1=sim(net,inputn);test_simu1(i,:)=mapminmax('reverse',an1,outputps);%测试数据预测inputn_test =mapminmax('apply',input_test,inputps);an=sim(net,inputn_test);test_simu(i,:)=mapminmax('reverse',an,outputps);%统计输出效果kk1=find(test_simu1(i,:)>0);kk2=find(test_simu1(i,:)<0);aa(kk1)=1;aa(kk2)=-1;%统计错误样本数for j=1:nnif aa(j)~=output_train(j);error(i)=error(i)+D(i,j);endend%弱分类器i权重at(i)=0.5*log((1-error(i))/error(i));%更新D值for j=1:nnD(i+1,j)=D(i,j)*exp(-at(i)*aa(j)*test_simu1(i,j));end%D值归一化Dsum=sum(D(i+1,:));D(i+1,:)=D(i+1,:)/Dsum;end%% 强分类器分类结果
output=sign(at*test_simu);%% 分类结果统计
%统计强分类器每类分类错误个数
kkk1=0;
kkk2=0;
for j=1:350if output(j)==1if output(j)~=output_test(j)kkk1=kkk1+1;endendif output(j)==-1if output(j)~=output_test(j)kkk2=kkk2+1;endend
endkkk1
kkk2
disp('第一类分类错误  第二类分类错误  总错误');
% 窗口显示
disp([kkk1 kkk2 kkk1+kkk2]);plot(output)
hold on
plot(output_test,'g')%统计弱分离器效果
for i=1:Kerror1(i)=0;kk1=find(test_simu(i,:)>0);kk2=find(test_simu(i,:)<0);aa(kk1)=1;aa(kk2)=-1;for j=1:350if aa(j)~=output_test(j);error1(i)=error1(i)+1;endend
end
disp('统计弱分类器分类效果');
error1disp('强分类器分类误差率')
(kkk1+kkk2)/350disp('弱分类器分类误差率')
(sum(error1)/(K*350))
</span>

基于BP弱分类器用Adaboost的强分类器相关推荐

《推荐系统笔记（三）》Adaboost算法 —— 弱分类器组合成强分类器的方法
前言我们将介绍将弱分类器组合成强分类器的算法,Adaboost算法,以及该算法有效的证明. 对于这种提升方法,我们有每次迭代加大误分类点的权重,这样下次生成的弱分类器能够更可能将该误分类点分类正确 ...
人脸检测：经典的VJ人脸检测器（类Harr特征，积分图加速法，级联的Adaboost强分类器）
著名的VJ人脸检测算法就是一种基于Adaboost分类器的方法.该检测器由Paul Viola和Michael Jones在2001年的 Robust Real-Time Face Detection ...
adaboost训练之强分类器训练原理
最近看opencv中adaboost训练强分类器源码,记录下自己对adaboost训练强分类器的原理理解. adaboost训练强分类器的基本流程: 1.初始化训练样本的类别与权重分布. 2.迭代循环 ...
《MATLAB 神经网络43个案例分析》：第5章基于BP_Adaboost的强分类器设计——公司财务预警建模
<MATLAB 神经网络43个案例分析>:第5章基于BP_Adaboost的强分类器设计--公司财务预警建模 1. 前言 2. MATLAB 仿真示例一 3. MATLAB 仿真示例二 ...
基于BP 网络分类器的交通标志识别
基于BP 网络分类器的交通标志识别摘要:针对中国全部 3 大类 116 个交通标志,即禁令标志.指示标志.警告标志,用 BP 网络实现分类功能. 实验中使用了 3 种测试集,即加高斯噪声.水平扭曲和 ...
bp神经网络分类器c语言,基于BP神经网络的隐写分析分类器设计
[ 摘要 ] 设计并实现了基于BP神经网络的隐写分析分类器.首先对图像库中的图像进行格式变换,并使用扩展修改方向和钻石编码两种隐写方法进行不同嵌入率的隐写嵌入,然后计算载体图像和载密图像中平面域.D ...
人脸检测（十）--强分类器源码分析
原文: http://blog.csdn.net/beerbuddys/article/details/40712957 下面的内容很长,倒杯水(有茶或者咖啡更好),带上耳机,准备就绪再往下看.下面我 ...
【交通标志识别】基于BP神经网络实现交通标志识别matlab代码
1 简介近年来,交通标志识别在车辆视觉导航系统中是一个热门研究课题.为了安全驾驶和高效运输,交通部门在公路道路上设置了各类重要的交通标志,以提醒司机和行人有关道路交通信息,如指示标志.警告标志.禁止 ...
机器学习应用篇（八）——基于BP神经网络的预测
机器学习应用篇(八)--基于BP神经网络的预测文章目录机器学习应用篇(八)--基于BP神经网络的预测一.Introduction 1 BP神经网络的优点 2 BP神经网络的缺点二.实现过程 1 ...

基于BP弱分类器用Adaboost的强分类器

基于BP弱分类器用Adaboost的强分类器相关推荐

最新文章

热门文章