本文共 1624 字，大约阅读时间需要 5 分钟。

%% 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:nn         if aa(j)~=output_train(j);             error(i)=error(i)+D(i,j);         end     end          %弱分类器i权重     at(i)=0.5*log((1-error(i))/error(i));          %更新D值     for j=1:nn         D(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=1:350     if output(j)==1         if output(j)~=output_test(j)             kkk1=kkk1+1;         end     end     if output(j)==-1         if output(j)~=output_test(j)             kkk2=kkk2+1;         end     end end

kkk1

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:K     error1(i)=0;     kk1=find(test_simu(i,:)>0);     kk2=find(test_simu(i,:)<0);          aa(kk1)=1;     aa(kk2)=-1;          for j=1:350         if aa(j)~=output_test(j);             error1(i)=error1(i)+1;         end     end end disp('统计弱分类器分类效果'); error1

disp('强分类器分类误差率')

(kkk1+kkk2)/350

disp('弱分类器分类误差率')

(sum(error1)/(K*350))