其他就不多说了，直接贴图吧，马上看比赛了。

 

http://s5/middle/639ff51a489db2116b804&690

http://s1/middle/639ff51ax8a8ac22e8a70&690

http://s7/middle/639ff51ax8a8abee96e76&690


http://s11/middle/639ff51a489db21d52baa&690



需要讨论代码的，留言。谢谢！！

应有同仁们的要求把代码贴上来：

%% PSO-LSSVM分类测试程序代码模板

  %by tangxb

  %e-mail:tangxb200@126.com QQ:444646122

  %http://blog.sina.com.cn/lssvm

%% 清空变量空间

  clc;clear;close all

  format compact

%% 程序代码计时开始

  tic;

%% 数据导入

 X0=load('C:\Documents and Settings\Administrator\桌面\训练数据\renli.txt');

 Y0=load('C:\Documents and Settings\Administrator\桌面\训练数据\renli.txt');

 trainset=X0(:,1:5);

 trainset_label=X0(:,6);

 testset=Y0(:,1:5);

 testset_label=Y0(:,6);

%% 样本集各维度可视化

 featuredisplay(trainset,trainset_label,testset,testset_label,1);

%% 计数样本类别数

 labelnum=countlabelnum(testset_label);

%%  原始数据可视化

 figure;

 boxplot(trainset,'orientation','horizontal');

 grid on;

 title('Visualization for original data');

%% 数据预处理

 %归一化处理

  [trainset,testset,ps] = scaleForLSSVM(trainset,testset,0,1);

% %% 归一化后可视化

%  figure;

%  boxplot(trainset,'orientation','horizontal');

%  grid on;

%  title('Visualization for scale data');

% %% 样本集归一化后各维度可视化

%  featuredisplay(trainset,trainset_label,testset,testset_label,1);

%% 降维处理

  %1.pca处理

   [trainset,testset] = pcaForLSSVM(trainset,testset);

%   %2.ica处理

%    [trainset,testset] = fasticaForLSSVM(trainset,testset);

%   %3.dct处理

%    [trainset,testset] = DCTforSVM(trainset,testset);

%% LS参数设置

 type = 'c';

 kernel_type = 'RBF_kernel';

 codefct = 'code_MOC'; 

 preprocess = 'original';%'preprocess'或者'original'

 igam=0.1;

 isig2=0.1;

% %将“多类”转换成“两类”的编码方案

% 1. Minimum Output Coding (code_MOC) 

% 2. Error Correcting Output Code (code_ECOC)

% 3. One versus All Coding (code_OneVsAll)

% 4. One Versus One Coding (code_OneVsOne) 

 % 编码

 [Yc,codebook,old_codebook] = code(trainset_label,codefct);

%% PSO验证优化参数

 [bestCVaccuarcy,bestc,bestg,pso_option] = psoLSSVMcgForClass(trainset,trainset_label,Yc);

 % 训练生成模型

 [alpha,b]=trainlssvm({trainset,Yc,type,bestc,bestg,kernel_type,preprocess});

 %编码分类结果

 Yd0 = simlssvm({trainset,Yc,type,bestc,bestg,kernel_type,preprocess},{alpha,b},testset);

%  %新加的行，为了画ROC曲线

%  Zt=latentlssvm({trainset,trainset_label,type,gam,sig2,kernel_type},{alpha,b},testset);%X-训练样本集，Y-训练样本集类别号，XX-测试样本集

%  [area,se,thresholds,oneMinusSpec,Sens]=roclssvm(Zt,YY);%作图用的最后两个输出oneMinusSpec(横轴)，Sens（纵轴），YY-测试样本集类别号

 predict_label = code(Yd0,old_codebook,[],codebook);%解码分类结果

%% ROC曲线

 plotLSSVMroc(testset_label,predict_label,labelnum);

%% 分类效果可视化、正确率

[rightpercent,testnum,errornum,errorindex]=classmeasures(testset_label,predict_label,bestc,bestg);

%% 程序运行计时

 toc

其中有函数是用于分类的效果分析，自己写的，没有就直接屏蔽就 行了。

【2010-07-03  编辑】