پروژه شبکه عصبی با الگوریتم svm با متلب 

عنوان پروژه : پروژه شبکه عصبی با الگوریتم svm با متلب 

نرم افزار مورد استفاده : متلب 

فرمت : m فایل 

فایل راهنما دارد 

پس از خرید بلافاصله فایل های پروژه پروژه شبکه عصبی با الگوریتم svm با متلب به ایمیل شما ارسال خواهد شد 

پروژه به صورت 100 درصد در محیط متلب تست شده است 

توضیحات پروژه : 

در این پروژه یک سری دیتا به فرمت اکسل داریم که دما و جرم مولکولی وزن نمک  را نشان میدهد که میخوام با استفاده از شبکه عصبی ابتدا ان را بهینه کرده و سپس با استفاده از الگوریتم svm آنرا مدل سازی کنیم این شبیه سازی در نرم افزار متلب کدنویسی شده است 

با توجه به اینکه برای SVM  تنها دوپارامتر را می توان بررسی کرد از روش one-rest ، one-one استفاده می شود.

بدین ترتیب برای هر دو دسته از داده های مستقل و یک داده وابسته روش svm اجرا می شود. داده ها طبقه بندی می شوند و سپس مدل سازی می شوند. میزان خطای هر مدل محاسبه و نشان داده می شود. داده های مستقل و غیر مستقل نیز دسته بندی شده و نشان داده می شود.

clc

clear all

close all

z=xlsread(‘data2’);

ابتدا داده ها وارد می شود.

برای اینکه داده ها اصلاح شود کافیست فایل اکسل اصلاح شود و نیازی به تعریف محدد داده ها نمی باشد. نام فایل در قسمتی که با سبز هایلایت شده وارد می شود و نتایج بر اساس فایل جدید خواهد بود.

d=50;

برای اینکه داده ها در دو دسته اموزش و اعتبار سنجی استفاده شود داده ها تقسیم می شود. بر اساس گام های d  تایی داده ها جدا می شود. مثلا اگر گام 50 فرض شود داده های 1 50 100 و 000 تا انتها برای داده های اموزش و داده های 2 51 101 و … برای مدل سازی استفاده میشود.

%Train the SVM Classifier

داده ها اموزش داده می شود

svmStruct = svmtrain(in(1:10:2*L,:),group(1:10:2*L,:),’ShowPlot’,true);

 

Xnew = in(1:d:2*L,:);

Ynew=Y(1:d:2*L,1);

مدل ایجاد می شودو

SVMModel1 = fitcsvm(Xnew,Ynew,’KernelScale’,’auto’,’Standardize’,true);

 میزان خطای مدل محاسبه می شود.

L1 = loss(SVMModel1,Xnew,Ynew);

داده ها طبقه بندی می شود و نتایج به صورت نموداری نشان داده می شود. این عملیات برای دو گرو داده دیگر هم تکرار می شود. در انتها نیز مشخصات داده های طبقه بندی شده نشان داده می شود همچنین میزان خطا برای هر مرحله نشان داده می شود.

species = svmclassify(svmStruct,Xnew,’ShowPlot’,true)

hold on;

plot(Xnew(:,1),Xnew(:,2),’ro’,’MarkerSize’,12);

hold off

xlabel(‘Temp,ws’)

ylabel(‘wp’)

خروجی های برنامه در محیط متلب