采样到分类预测的整个流程

最新推荐文章于 2025-10-10 19:26:51 发布

原创最新推荐文章于 2025-10-10 19:26:51 发布 · 617 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #测试 #工作

本文介绍了如何在MATLAB环境下利用sample、SVMdata、sepjoin和write4libsvm函数进行采样、计算特征、生成训练及测试集，并转换为libSVM格式。接着在libSVM中，通过svm-scale进行数据预处理，svm-train得到模型，svm-predict进行分类预测。未来计划是研究不同采样窗口下预测的准确率，并在MATLAB中实现检测率和误检率的计算程序。

在matlab环境下：

1. 采样。函数sample

2. 加上类标，计算特征值。函数SVMdata

3. 生成训练集、测试集。函数sepjoin

4. 转换成libSVM要求的格式。函数write4libsvm

为了方便修改，上述4步可以集中存放在WholeFlow.m中：

    [sampled_no,sampled_with] = sample (packetprocess_no,packetprocess_with,300,320,sw,si);
    SVM_no = SVMdata(sampled_no,no,0);
    SVM_with = SVMdata(sampled_with,no,1);
    [train,test] = sepjoin(SVM_no,SVM_with,200,100);
    write4libsvm(train);
    write4libsvm(test);

在libSVM环境下：

5. 数据预处理，通过svm-scale命令将训练集和测试集进行适当缩放

6. 通过训练集得到预测模型

7. 通过预测模型进行分类预测

同样的为了方便修改，可以将上述3步写成批处理文件svm.bat：

svm-scale -r range1 train > train.scale

svm-scale -r range1 test > test.scale

svm-train train.scale

svm-predict test.scale train.scale.model test.predict

下一步工作：按照上述流程，得到不同采样窗口下的预测准确率；在matlab环境下完成计算检测率和误检率的程序。