[问答]

如何在stm32上实现svm实时训练与分类？

2459 STM32

问答对人有帮助，内容完整，我也想知道答案 0 如何在STM32上实现svm实时训练与分类？ 0
2021-11-19 07:05:59　　评论淘帖0 邀请回答您可以邀请以下用户，快速回答问题 × heks 该类别下有 50 个回答。邀请回答 hgimtk 该类别下有 44 个回答。邀请回答新星之火12138 该类别下有 42 个回答。邀请回答 wang21cj 该类别下有 41 个回答。邀请回答 chm5 该类别下有 40 个回答。邀请回答 hjfjsdgfjdsf 该类别下有 37 个回答。邀请回答 fdjslkjd 该类别下有 35 个回答。邀请回答 uvysdfydad 该类别下有 35 个回答。邀请回答 werywer 该类别下有 35 个回答。邀请回答 h1654155957.9520 该类别下有 35 个回答。邀请回答 jenny042 该类别下有 34 个回答。邀请回答 dfzvzs 该类别下有 34 个回答。邀请回答维生素B2 该类别下有 34 个回答。邀请回答凤毛麟角该类别下有 34 个回答。邀请回答 hfgdzc 该类别下有 33 个回答。邀请回答 ggfvxv 该类别下有 33 个回答。邀请回答刘洋该类别下有 33 个回答。邀请回答 meihuacg 该类别下有 33 个回答。邀请回答储蓄叛逆该类别下有 32 个回答。邀请回答尼克wo 该类别下有 32 个回答。邀请回答举报石飞鹏相关推荐 • 关于matlab的svm的函数提取无法找到问题 4396 • 求大佬分享一种基于SVM的0MAP5912非特定人嵌入式语音识别系统的实现方法 963 • 基于优化GDTW-SVM算法联机手写识别 802 • LR、DT、SVM的对比分析 1142 • STM32可以跑SVM吗，速度有保障吗？ 455 • DSP实现智能算法支持向量机SVM有人做吗？ 6298 • 如何在CubeIDE中的STM32上通过USB实现“printf”发送消息？ 235 • SVM算法在卸载的电机上比陷波器多抽取30%和500%的电流 1543 • LPCXpresso55S69应该对IDE的源代码进行哪些更改，以便它正确地与新模型交互并处理实时数据？ 255 • 扩展包x-cube-ai能实现SVM支持向量机吗？ 289 1个回答

答案对人有帮助，有参考价值 0 目标在stm32上实现svm实时训练与分类，特征向量为10维向量，分类结果为多目标分类； 1.代码分解与抽取 libsvm源代码文件有5个：svm-train.c,svm-predict.c,svm-scale.c,svm.h,svm.cpp;svm-train.c是训练样本工具的代码，svm-predict.c是预测工具的代码，svm-scale.c是归一化数据工具的代码,svm.h是头文件,svm.cpp是类的实现代码，代码文件svm-train.c、svm-predict.c、svm-scale.c分别与svm.h和svm.cpp编译就可以得到训练工具、预测工具、归一化工具软件。下面以svm-train.c开始分析代码：代码执行了如下操作： (1)解析命令行，配置训练参数，获取输入样本文件名、输出模型文件名； (2)读取输入文件至训练样本类中 (3)检测训练参数是否正确 (4)是否进行交叉验证，否的话调用svm_train函数对样本进行训练；保存训练结果至文件中；下面开始分析svm.h中相关数据类型： (1).svm类型：C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR -s svm类型：SVM设置类型(默认0) 0 – C-SVC：C-支持向量分类机；参数C为惩罚系数，C越大表示对错误分类的惩罚越大，适当的参数C对分类Accuracy很关键。 1 –v-SVC：v-支持向量分类机；由于C的选取比较困难，用另一个参数v代替C。C是“无意义”的，v是有意义的。（与C_SVC其实采用的模型相同，但是它们的参数C的范围不同,C_SVC采用的是0到正无穷，该类型是[0,1]。） 2 – 一类SVM：单类别-支持向量机，不需要类标号,用于支持向量的密度估计和聚类。 3 – e -SVR：ε-支持向量回归机，不敏感损失函数，对样本点来说，存在着一个不为目标函数提供任何损失值的区域。 4 – v-SVR：n-支持向量回归机，由于EPSILON_SVR需要事先确定参数，然而在某些情况下选择合适的参数却不是一件容易的事情。而NU_SVR能够自动计算参数。 (2)核函数类型：LINEAR, POLY, RBF, SIGMOID, PRECOMPUTED SVM关键是选取核函数的类型，主要有线性内核，多项式内核，径向基内核（RBF），sigmoid核。这些函数中应用最广的应该就是RBF核了，无论是小样本还是大样本，高维还是低维等情况，RBF核函数均适用，它相比其他的函数有一下优点： 1）RBF核函数可以将一个样本映射到一个更高维的空间，而且线性核函数是RBF的一个特例，也就是说如果考虑使用RBF，那么就没有必要考虑线性核函数了。 2）与多项式核函数相比，RBF需要确定的参数要少，核函数参数的多少直接影响函数的复杂程度。另外，当多项式的阶数比较高时，核矩阵的元素值将趋于无穷大或无穷小，而RBF则在上，会减少数值的计算困难。 3）对于某些参数，RBF和sigmoid具有相似的性能。 (3)svm参数 c参数等 (4)svm模式包含svm参数 class 个数 svm节点二维矩阵在决策函数的sv系数 probA probB 标签数组 model中参数 Parameters ：51的向量， [-s -t -d -g -r]的值。我一般使用的是线性核或是自定义核，故 -s 0 -t 0 或是 -s 0 -t 4。 nr_class：类别标签的数目。 totalSV：支持向量的数目。 rho ：分类器的截距的负值。 Label：类别的标号。注意Label中类别标号的顺序非常重要。 nSV：每一类所含有的支持向量的个数。 sv_coef：每一个支持向量的权重，与SVs相对应。 SVs ：支持向量。在两类分类的过程中非常简单，无论是线性分类还是采用核方法分类，分类器对类别的判断依据： score = sv_coef

2021-11-19 11:24:51 评论举报周伟