ELM kernel 基于极限学习机的不平衡数据集分类

基于极限学习机的不平衡数据集分类，性能极好，且速度较快

function [TestingAccuracytest_gmean] = Simplified_LSSVM（TrainingData_File TestingData_Filesigma2C）
%%%%%%%%%%% Load training file
TrainDataArray = load （TrainingData_File）;
T = TrainDataArray（:size（TrainDataArray2））;
Y = TrainDataArray（:1:size（TrainDataArray2） - 1）;

train_data = [T Y];
clear TrainDataArray;   
%%%%%%%%%%% Load testing file
TestDataArray = load （TestingData_File）;
T = TestDataArray（:size（TestDataArray2））;
Y = TestDataArray（:1:size（TestDataArray2） - 1）;
test_data = [T Y];
clear TestDataArray;   


%%%%%%%%%%% Load training dataset
%train_data = load（TrainingData_File）;
T=train_data（:1）‘;
P=train_data（:2:size（train_data2））‘;
clear train_data;                                   %   Release raw training data array

%%%%%%%%%%% Load testing dataset
%test_data = load（ TestingData_File ）;
TV.T=test_data（:1）‘;
TV.P=test_data（:2:size（test_data2））‘;
clear test_data;                                    %   Release raw testing data array

NumberofTrainingData=size（P2）;
NumberofTestingData=size（TV.P2）;
%NumberofInputNeurons=size（P1）;

%%%%%%%%%%%% Preprocessing the data of classification
    sorted_target=sort（cat（2TTV.T）2）;
    label=zeros（11）;                               %   Find and save in ‘label‘ class label from training and testing data sets
    label（11）=sorted_target（11）;
    j=1;
    for i = 2:（NumberofTrainingData+NumberofTestingData）
        if sorted_target（1i） ~= label（1j）
            j=j+1;
            label（1j） = sorted_target（1i）;
        end
    end
    number_class = j;
    NumberofOutputNeurons = number_class;
%%%%%%%%%% Processing the targets of training
    temp_T=zeros（NumberofOutputNeurons NumberofTrainingData）;
    for i = 1:NumberofTrainingData
        for j = 1:number_class
            if label（1j） == T（1i）
                break; 
            end
        end
        temp_T（ji）=1;
    end
    T = temp_T * 2 - 1;

%%%%%%%%%% Processing the targets of testing
    temp_TV_T=zeros（NumberofOutputNeurons NumberofTestingData）;
    for i = 1:NumberofTestingData
        for j = 1:number_class
            if label（1j） == TV.T（1i）
                break; 
            end
        end
        temp_TV_T（ji）=1;
    end
TV.T = temp_TV_T * 2 - 1;
                                              %   end if of Elm_Typ
%%%%%%%%%%% Calculate weights & biases
% start_time_train=cputime;
tic;
n = size（T2）;
Omega_train = kernel_matrix（P‘‘RBF_kernel‘ sigma2）;


%OutputWeight = （ （ W * Omega_train + speye（n）/C ） \ （ W * T‘ ） ）; 
OutputWeight = （ （ Omega_train + speye（n）/C ） \ （  T‘ ） ）; 

 %OutputWeight=mtimesx（H（（mtimesx（H‘H）+speye（n）/C）\T‘））; 
 %OutputWeight=inv（H * H‘） * H * T‘;                         % faster implementation
% end_time_train=cputime;
% TrainingTime=end_time_train-start_time_train     ;   %   Calculate CPU time （seconds） spent for training ELM
%TrainingTime=toc;
%%%%%%%%%%% Calculate the training accu

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       2536  2013-06-24 09:37  kernel_matrix.m

     文件       1325  2013-06-28 13:42  TEST_kernel_imbalance.m

     文件        899  2013-06-26 19:15  TestELM_kernel.m

     文件       4896  2013-06-28 09:53  ELM_kernel.m

----------- ---------  ---------- -----  ----

                 9656                    4