ADNC.mat
load ADNC;
ADNC.mat是下面数据的打包数据。
- AD表示阿兹海默病人，NC应该表示正常人。
- Y前93个数是1 后面的数都为0 个人觉得应该是用来区别AD与NC。
AD_mri = AD(:,1:93);
AD_pet = AD(:,94:end);
NC_mri = NC(:,1:93);
NC_pet = NC(:,94:end);
AD表示阿兹海默病人，NC应该表示正常人。
其中AD数据是93*186的数据集，前93列是mri的数据，后面的是pet的数据。
一些数据处理
Trainsize = length(find(Y == 1));
label = zeros(length(Y),2);
label(Y==1,1) = 1;
label(Y==0,2) = 1;
meanlabel = mean(label,1);// 求均值
stdlabel = std(label,1); // 没有用到
label = (label - repmat(meanlabel,size(label,1),1));
meanlabel 是 [0.4794 0.5206]
-
repmat作用如图所示：
- label原来的值：
- label现在的值：
fold = 10;
num=1;
i = 7;
data_MRI = data_MRI';
data_PET = data_PET';
pars.k2 = 5;
max_accresult=[];
myResults = [];
lab_test = [];
lab_resul =[];
lab_Fvec = [];
acc_result = [];
pars.lam1 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
pars.lam2 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
pars.lam3 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
load ADNC_ind.mat
ind1 = ADNC_ind{fold,1};
ind2 = ADNC_ind{fold,2};
- 这些参数暂时还不是很明白
- data_MRI = data_MRI';
data_PET = data_PET';
-
ADNC_ind 是cell的，什么是cell？类似于c语言的结构体。每个单元可以储存不同的数据类型，可以是数值，字符或矩阵或元胞数组等。
程序中它存储的内容如图：
93 * 10应该表示AD，101 * 10表示NC。
点开ADNC_ind{5,1}:
关于ind表示啥，后面会有一些相关的猜测。 ind1 取出了 ADNC_ind{10,1} （AD）
ind2 取出了 ADNC_ind{10,2} （NC）
Get_sample函数介绍
[Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label]...
=Get_sample(data_MRI(:,1:Trainsize),data_MRI(:,Trainsize+1:end),data_PET(:,1:Trainsize),...
data_PET(:,Trainsize+1:end),label(1:Trainsize,:),label(Trainsize+1:end,:),ind1(:,num),ind2(:,num),i);
function [Train_X,Test_X,Train_Y,Test_Y,Train_label,Test_label]=Get_sample(X1,X2,Y1,Y2,L1,L2,ind1,ind2,i)
% =Get_sample(data_MRI(:,1:Trainsize),data_MRI(:,Trainsize+1:end),data_PET(:,1:Trainsize),...
% data_PET(:,Trainsize+1:end),label(1:Trainsize,:),label(Trainsize+1:end,:),ind1(:,num),ind2(:,num),i);
test1 = (ind1 == i); %[test1]93*1
train1 = ~test1; %[train1]93*1
Train_X1 = X1(:,train1); % [X1][Y1][L1]都是93*93的矩阵 [X2][Y2][L2]都是93*101的矩阵 [ind1]93*10 [ind2]101*3
Test_X1 = X1(:,test1); % 索引()内的必须是整数或者逻辑型的 怎么变成逻辑型 就要用到 == ，~等。
Train_Y1 = Y1(:,train1);
Test_Y1 = Y1(:,test1);
Train_label1 = L1(train1,:);
Test_label1 = L1(test1,:);
其中输入的9的参数分析：
data_MRI(:,1:Trainsize) ：AC的MRI数据
data_MRI(:,Trainsize+1:end)： NC的MRI数据
data_PET(:,1:Trainsize)： AC的PET数据
data_PET(:,Trainsize+1:end)： NC的PET数据
- label(1:Trainsize,:)：
- label(Trainsize+1:end,:)：
- ind1(:,num)：取出了第一列
- ind2(:,num)：同理
i = 7；其实就是把标记为7的数据拿出来做测试组，剩下的1 ~ 6，8 ~ 10组数据拿来做训练集
返回的6个参数分析：
- Train_MRI：[93 * 83的AC矩阵 93*90的NC矩阵]
- Test_MRI：[93 * 10的AC矩阵 93*11的NC矩阵]
- PET 同理
- label 同理
pGPL_train_old函数分析
[CP,Perfm,OPT,ind1_in,ind2_in] = pGPL_train_old(Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label,pars);
function[CP,Perfm,OPT,ind1_in,ind2_in] = pGPL_train_old(Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label,pars)
进入到function内
ind1_in = crossvalind('Kfold',size(find(Train_label(:,1) > 0),1),pars.k2);
ind2_in = crossvalind('Kfold',size(find(Train_label(:,1) < 0),1),pars.k2);
- crossvalind 交叉验证 我的理解就是把现在已有的83份AC的标签数据和90份NC的标签数据通过交叉验证重新分别分成5组，为什么是5组，因为pars.k2的参数为5。
k-折交叉验证 可以参考博文：https://blog.csdn.net/chenbang110/article/details/7604975
[Tr_MRI,vld_MRI,Tr_PET,vld_PET,Tr_label,vld_label]...
=Get_sample(Train_MRI(:,1:Trsz_in),Train_MRI(:,Trsz_in+1:end),Train_PET(:,1:Trsz_in),...
Train_PET(:,Trsz_in+1:end),Train_label(1:Trsz_in,:),Train_label(Trsz_in+1:end,:),ind1_in,ind2_in,kin);
X1 = [Tr_MRI vld_MRI];
X2 = [Tr_PET vld_PET];
YL = Tr_label;
通过Get_sample函数把83份AC的标签数据和90份NC的标签数据重新分成
- 训练集：4组数据包含 66份的AC和72份的NC
- 测试集：1组数据包含 17份的AC和18份的NC
X1:[AC(93 * 66) NC(93 * 72) AC(93 * 17) NC(93 * 18)]
X2:同理
YL:是138份训练标签
myCAN_5函数分析
[Fu] = myCAN_5(X1, X2, YL,lambda1,lambda2,lam);
进入function
function [Fu] = myCAN_5(X1, X2, YL,lambda1,lambda2,lam)
L = size(YL,1); %L = 138
NITER = 50;
num = size(X1,2);
k = 13;
c = 2;
islocal = 1;
%% distance of X*X
distX1 = L2_distance_2(X1,X1);
distX2 = L2_distance_2(X2,X2);
-
size(X1,2)函数表示取矩阵X1总的列数和 173 -
L2_distance_2()函数如下：
其中一些数据都是通过带入X1矩阵[AC(93 * 66) NC(93 * 72) AC(93 * 17) NC(93 * 18)]获得的。
通过d = repmat(aa',[1 size(bb,2)]) + repmat(bb,[size(aa,2) 1]) - 2*ab 得到一个对称阵。
数据如下所示：
****待更新****