%------------------------------libsvm分類識別------------------------------------
C=xlsread（‘三種狀態(tài)下的4樣本4排列熵.xlsx‘）;%讀取所有的排列熵特征
C_labels=xlsread（‘三種狀態(tài)下的標(biāo)簽.xlsx‘）;%讀取所有的排列熵特征的標(biāo)簽
%------------------------libsvm分類---------------------------------------------
%?選定訓(xùn)練集和測試集
%?將第一類的1-30第二類的60-95第三類的131-153做為訓(xùn)練集
train_C?=?[C（1:10:）;C（26:35:）;C（51:60:）];
%?相應(yīng)的訓(xùn)練集的標(biāo)簽也要分離出來
train_C_labels?=?[C_labels（1:10:）;C_labels（26:35:）;C_labels（51:60:）];
%?將第一類的31-59第二類的96-130第三類的154-178做為測試集
test_C?=?[C（11:25:）;C（36:50:）;C（61:75:）];
%?相應(yīng)的測試集的標(biāo)簽也要分離出來
test_C_labels?=?[C_labels（11:25:）;C_labels（36:50:）;C_labels（61:75:）];
%%?數(shù)據(jù)預(yù)處理
%?數(shù)據(jù)預(yù)處理將訓(xùn)練集和測試集歸一化到[01]區(qū)間

[mtrainntrain]?=?size（train_C）;
[mtestntest]?=?size（test_C）;

dataset?=?[train_C;test_C];
%?mapminmax為MATLAB自帶的歸一化函數(shù)
[dataset_scaleps]?=?mapminmax（dataset‘01）;
dataset_scale?=?dataset_scale‘;

train_C?=?dataset_scale（1:mtrain:）;
test_C=?dataset_scale（?（mtrain+1）:（mtrain+mtest）:?）;
%%?SVM網(wǎng)絡(luò)訓(xùn)練
model?=?svmtrain（trai

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2018-10-12?10:36??svm分類\
?????文件????????1643??2018-10-12?10:35??svm分類\Untitled.m
?????文件???????15931??2018-10-12?10:35??svm分類\三種狀態(tài)下的4樣本4排列熵.xlsx
?????文件???????10239??2018-09-21?15:49??svm分類\三種狀態(tài)下的標(biāo)簽.xlsx