【分类模型】基于BP神经网络、SOftmax分类器、KNN、LDA、贝叶斯网络实现气体数据分类附matlab代码

1 简介

本文以气体传感器收集的数据来训练几种不同的分类器，并测试了正确率

这里仅演示了最基本的使用方法，各个参数的设定还是参考帮助文档为好。

数据来源：http://archive.ics.uci.edu/ml/datasets/Gas+Sensor+Array+Drift+Dataset

​

数据分为6类气体，由不同的时间段采集，并由时间段分成了10个数据集，各个数据集的详细情况可以见网站的说明。总之，这里有6类气体的数据，不过需要注意的时，由于传感器材质或工艺水平的原因，随着时间的变化，传感器本身会产生漂移。因此，如果用第10个batch上的数据来训练一个分类器，用第1个batch上面的数据来进行测试，正确率可能会很低。这也是现在需要解决的问题。

训练数据600个，测试数据3000个，

固定初始参数时，各个分类器的正确率如下：

Bayes: 60%

BP: 90.5%

Elman: 77.5%

KNN: 97.5333%

LDA: 84.4667%

RBF: 97.7%

Softmax: 98.1667%

2 部分代码

% /* %  * [email protected] 2018/07/27%  * 每一列表示一个样本%  */​clear; clc;load Batch.mat C_data C_label;  % 加载数据​Data = C_data{10};              % 数据Label = C_label{10};            % 标签​indices = crossvalind('Kfold',3600,6);      % 随机trainindices = (indices == 1);        testindices = ~trainindices;  traindata = Data(:, trainindices);    testdata = Data(:, testindices);    % 训练数据600个trainlabel = Label(:, trainindices);  testlabel = Label(:, testindices);  % 测试数据3000个​% 数据归一化（可选）[traindata,PS]=mapminmax(traindata,0,1);              %要进行一次转置，这样的归一化是对列（也就是每个传感器响应曲线）的归一化，也有的是对每一次采样得到的数据进行归一化。 testdata=mapminmax('apply',testdata,PS);​setdemorandstream(pi);        % 固定随机值​Softmaxnet = trainSoftmaxLayer(traindata,trainlabel,'MaxEpoch',500);​Y = Softmaxnet(testdata);    % 统计分类正确率figureplotconfusion(testlabel,Y);testClassPrediction=compet(Y);testClass=vec2ind(testClassPrediction);ttest=vec2ind(testlabel);​count = sum(testClass == ttest);​Accuracy = 100*count/length(testlabel);disp('the Accuracy is ');disp(Accuracy);figureplot(testClass ,'ro-');hold onplot(ttest ,'b*-');legend('SOFTmax预测值','真实值')xlabel('样本')title(['准确率=',num2str(Accuracy)])

3 仿真结果

4 参考文献

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。