iqiukp的博客

相关向量机 (Relevance Vector Machine, RVM) 语言：MATLAB 版本：V2.1 ----------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：[email protected] 可提供关于该算法/代码的付费咨询和有偿编写 ----------------------------------------- 主要功能 1. 二分类学习（RVC）和回归学习（RVR） 2. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3. 支持混合核函数（K = w1×K1+w2×K2+...+wn×Kn) 4. 支持基于贝叶斯超参数优化、遗传算法和粒子群算法的 RVM 参数优化 ----------------------------------------- 注意 1. 仅支持 R2016b 以上的 MATLAB 2. 提供了多个示例文件，每个文件的开头都有对应的介绍 3. 此代码仅供参考

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：Python 版本：V1.1 --------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：[email protected] 可提供关于该算法/代码的付费咨询和有偿编写 -------------------------------------------- 主要功能 1. 基于 sklearn.base 的 SVDD BaseEstimator 2. 支持单值分类和二值分类的超球体构建 3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid) 4. 支持 2D 数据的决策边界可视化 --------------------------------------------- 依赖库 cvxopt matplotlib numpy scikit_learn scikit-opt (可选，仅用于参数优化)

支持向量数据描述（Support Vector Data Description，SVDD）是一种单值分类算法，能够实现目标样本和非目标样本的区分。 该代码实现了libsvm-3.23工具箱中SVDD的决策边界可视化，其实现流程为： 1. 建立训练集的SVDD超球体模型 2. 利用网格法填充训练集区域 3. 预测每个网格点的得分 4. 根据网格点得分绘制等高线 5. 绘制决策边界 利用香蕉数据集进行示例，给出了"欠拟合"、“正常”和“过拟合”情况下的SVDD决策边界可视化结果以及测试集的预测结果。

偏最小二乘算法（Partial Least Squares，PLS）是一种常见的多元线性回归算法，MATLAB在R2008a版本已经加入了PLS算法的实现函数。 该代码把偏最小二乘算法（Partial Least Squares，PLS）的回归应用整理为“读取数据-训练模型-数据预测”的形式。

台湾大学林智仁 (Lin Chih-Jen) 教授等开发设计的 libsvm 工具箱提供了SVDD算法的MATLAB接口，其中两个关键参数 c 和 g 直接影响SVDD的单值分类结果。 该代码通过引入鲸鱼优化算法（Whale Optimization Algorithm，WOA），实现对 libsvm 工具箱中的SVDD算法的参数优化，给出两个实例代码： 1. libsvm 工具箱提供的heart_scale data 2. 工业过程数据 WOA的具体描述可以参考以下文献： （1）Mirjalili S, Lewis A. The whale optimization algorithm[J]. Advances in engineering software, 2016, 95: 51-67. 该算法的提出者已经把代码开源在mathworks。 注：（1）该代码把 libsvm工具箱的svmtrain和svmpredict函数的名字分别改为libsvmtrain和libsvmpredict。 （2）WOA算法和其他群智能优化算法一样，容易陷入局部最优，若寻优结果出现异常，可以尝试多运行几次。

1. 代码主要基于GPML V4.2工具箱实现 2. 提供了两个应用实例（单变量预测和多变量预测） 3. 给出了预测均值和方差的可视化结果

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：MATLAB 版本：V2.1 ----------------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：[email protected] 可提供关于该算法/代码的付费咨询和有偿编写 ----------------------------------------------------- 主要特点 1. 支持单值分类和二值分类的超球体构建 2. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3. 支持 2D 或 3D 数据的决策边界可视化 4. 支持基于贝叶斯超参数优化、遗传算法和粒子群算法的SVDD的参数优化 5. 支持加权的 SVDD ----------------------------------------------------- 注意 1. SVDD V2.1 仅支持 R2016b 以上的 MATLAB 版本 2. 正样本和负样本对应的标签分别为 1 和 -1 3. 提供了多个示例文件，每个文件的开头都有对应的介绍 4. 此代码仅供参考 5. 可以阅读“SVDD-V2.1使用说明.pdf”文件了解更多用法

核主元分析 (Kernel Principal Component Analysis, KPCA) 语言：MATLAB 版本：V2.2 ----------------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：[email protected] 可提供关于该算法/代码的付费咨询和有偿编写 ----------------------------------------------------- 主要特点 1. 易于使用的 API 2. 支持基于 KPCA 的数据降维、特征提取、数据重构 3. 支持基于 KPCA 的故障检测和故障诊断 4. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 5. 支持基于主元贡献率或给定数字的降维维度/主元个数选取 ----------------------------------------------------- 注意 1. 仅支持基于高斯核函数的故障诊断 2. 核函数的参数对KPCA 模型的性能影响很大 3. 此代码仅供参考