【SVM分类】基于支持向量机结合SOM神经网络（SVM-SOM）实现数据分类附matlab代码

​1 简介本文挑选了10个分子描述符,用自组织神经网络和支持向量机的方法分别建立了极光激酶抑制剂的分类模型。这些模型可以很好的将极光激酶抑制剂的选择性划分为三个类别,即:抑制剂对极光激酶A有选择性抑制,抑制剂对极光激酶B有选择性抑制和抑制剂没有明显选择性。两类模型的预测正确率分别是:SOM方法训练集97.0%,测试集88.9%;SVM方法训练集95.5%,测试集100%。2 部分代码clc% example random 2D datadata rand(100,2);labels double(vecnorm(data-[0.5,0.5],2,2)0.3);labels(labels0)-1;% training setx data(1:90,:);y labels(1:90);C 1; % regulatisation parametertol 1e-5; % toleranceeps 1e-3; % epsilonktype r; % kernel type l, r, p or sgamma 1; % kernel parameteroffset 0; % kernel parameterpower 1; % kernel parameter[alpha,b] svm_smo(x,y,C,tol,eps,ktype,gamma,offset,power);% prediction setxp data(91:100,:);[test_output_labels, res] lf_svm_smo(xp,alpha,b,x,y,ktype,gamma,offset,power);accuracy sum(test_output_labelslabels(91:100))/10figure;plot(test_output_labels,b*, linewidth, 1.0);hold onplot(labels(91:100),ro, linewidth, 1.0);xlabel(测试集样本,FontSize,12);ylabel(类别标签,FontSize,12);legend(实际测试集分类,预测测试集分类);title({测试集的实际分类和预测分类图;[Accuracy ,num2str(accuracy*100),%]},FontSize,12);grid on;3 仿真结果4 参考文献[1]朱金玉, 王丽宇, and 阎爱侠. 基于自组织神经网络和支持向量机方法的极光激酶抑制剂分类模型的研究. First International Conference on Cellular, molecular Biology, Biophysics Bioengineering 2010.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。