模式识别与智能计算第5章.doc

例5.2 　function q=my8(a) x=[0.182 0.143 0.192 0.167 0.200 0.357 0.143 0.389 0.444 0.333 0.143 0.318 0.227 0.214 0.231 0.222 0.233 0.286 0.214 0.389 0.444 0.286 0.214 0.273 0.273 0.286 0.270 0.278 0.267 0.214 0.286 0.191 0.112 0.238 0.286 0.227 0.318 0.357 0.307 0.333 0.300 0.143 0.357 0.031 0.000 0.143 0.357 0.182]; [m,n]=size(x);a1=max(x);b=min(x); for i=1:m 　　 %归一化处理，其中第6、9个指标为越小越优 for j=1:n if j==6||j==9,x1(i,j)=(a1(j)-x(i,j))/(a1(j)-b(j));else,x1(i,j)=(x(i,j)-b(j))/(a1(j)-b(j));end end end for i=1:m 　　%求z序列 z(i)=0;for j=1:n,z(i)=z(i)+a(j)*x1(i,j);end end s=std(z);　　　　　　%求SZ for i=1:m　　　 　%求r for j=1:m,r(i,j)=abs(z(i)-z(j));end end r_max=max(max(r));R=r_max+n/2; %求窗口R d=0; for i=1:m　　　　　　　%求DZ for j=1:m;if R-r(i,j)=0,d=d+(R-r(i,j));else,d=d;end;end end q=-s*d; %将最大化转化为最小化 再编写约束文件my9(a)： function [c,ceq]=my9(a) c=[a(1)^2+a(2)^2+a(3)^2+a(4)^2+a(5)^2+a(6)^2+a(7)^2+a(8)^2+... a(9)^2+a(10)^2+a(11)^2+a(12)^2-1]; ceq=[]; 例5.4　 xx=guiyi(x); [pc,lamda1]=pcacov(cov(xx)); lamda1(1:4,:)= 3.8808　1.8446　0.9684　0.5976　 　48.51%　71.57%　83.67%　91.14%　 第一主元所占比例太低，降维的效果不理想。 　　采用KPCA法进行降维，得到如下的结果，其中特征值的累积贡献率80%： opts.KernelType=RBF;opts.gamma=200;　　　%核函数类型及参数 [y1, y2,y] = myKPCA(x,opts); y2 =0.0571　0.0150 %降为2维 function [e_vector, e_value,y] = myKPCA(x,opts) %KPCA函数 % x: N ×d 维样本. % opts: 核函数类型及参数，形式为结构体 [N,d]=size(x);K =myKernel(x,[],opts); 　%核计算函数 One_N=ones(N)./N;Kc = K - One_N*K - K*One_N + One_N*K*One_N; if N1000 d %加速计算 opts.disp=0;[e_vector, e_value] = eigs(Kc,d,la,opts);e_value = diag(e_value); else [e_vector, e_value] = eig(Kc);e_value = diag(e_value);[a, index] = sort(-e_value); e_value = e_value(index);e_vector = e_vector(:,index); end if d length(e_value);e_value = e_value(1:d);e_vector = e_vector(:, 1:d);end max_e_Value = max(abs(e_value));eigIdx = find(abs(e_value)/max_e_Value 1e-6); e_value (eigIdx) = [];e_vector (:,eigIdx) = []; sum_laten