clear;
clc;
load?datalab.mat?data???????????????%讀取數據，包含標記的數據data.fet和對應的分類data.lab


%初始化

K?=?3;??????????????????????????????%OMP算法中信號的稀疏度
loopCnt?=?10;???????????????????????%為減少隨機性而計算10次，結果取平均值
trnPer?=?0.2;???????????????????????%訓練數據所占的百分比20%

clsCnt?=?16;????????????????????????%分類的數量
clsNum?=?zeros（1?clsCnt）;??????????%每個類別的數據的總數量
trnNum?=?zeros（1?clsCnt）;??????????%每個類別的數據選作訓練數據的數量
tstNum?=?zeros（1?clsCnt）;??????????%每個類別的數據選作測試數據的數量
conMat?=?zeros（clsCntclsCnt）;??????%混淆矩陣，保存測試數據的預測類別與實際類別的關系

?for?i?=?1?:?clsCnt
???index?=?find（data.lab?==?i）;?????????????????%找到標記為i的數據的下標
???clsNum（i）?=?size（index1）;???????????????????%標記為i的數據的總數量
???trnNum（i）?=?ceil（clsNum（i）?*?trnPer）;????????%選取作為訓練樣本的數量
???tstNum（i）?=?clsNum（i）?-?trnNum（i）;???????????%剩余的為測試樣本的數量
?end


%開始計算

for?loop?=?1?:?loopCnt??????????????%重復10次
????trnFet?=?[];????????????????????????%保存訓練數據
????trnLab?=?[];????????????????????????%保存訓練數據對應的類型
????tstFet?=?[];????????????????????????%保存測試數據
????tstLab?=?[];????????????????????????%保存測試數據對應的類型
????
????%每種類別隨機選取20%作為樣本數據
????for?i?=?1?:?clsCnt
???????index?=?find（data.lab?==?i）;??????????????????%找到標記為i的數據的下標
???????random_index?=?index（randperm（length（index）））;%結果為打亂順序后的下標序列

???????index?=?random_index（1:trnNum（i））;????????????%在亂序中取前20%作為訓練樣本，index保存它們的下標
???????trnFet?=?[trnFet?data.fet（index:）‘];?????????%將訓練樣本的數據依次填充進trnFet數組
???????trnLab?=?[trnLab?ones（1length（index））*i];????%將訓練樣本的標記依次填充進trnLab數組

???????index?=?random_index（trnNum（i）+1:end）;????????%亂序中剩余的為測試樣本，index保存它們的下標
???????tstFet?=?[tstFet?data.fet（index:）‘];?????????%將測試樣本的數據依次填充進tstFet數組
???????tstLab?=?[tstLab?ones（1length（index））*i];????%將測試樣本的標記依次填充進tstFet數組
????end

????%用OMP算法預測訓練數據的分類
????trnFet?=?trnFet./repmat（sqrt（sum（trnFet.*trnFet））[size（trnFet1）?1]）;??%對訓練樣本做歸一化處理
????tstFet?=?tstFet./repmat（sqrt（sum（tstFet.*tstFet））[size（tstFet1）?1]）;??%對測試樣本做歸一化處理

????for?i?=?1?:?size（tstFet2）??????????????%對每一個測試樣本i做預測
???????x?=?tstFet（:i）;?????????????????????%提取出某個測試樣本的200維數據x
???????sparse?=?OMP（trnFetxK）;????????????%用OMP算法求出其稀疏系數矩陣
???????residual?=?zeros（1clsCnt）;??????????%該組樣本對每個類別的重構冗余
???????for?j?=?1:1:clsCnt???????????????????%將該測試樣本重構成每一種類別
???????????index?=?find（trnLab?==?j）;???????%選取字典中類別為j的數據
???????????D_c?=?trnFet（:index）;???????????%字典中類別為j的列
???????????s_c?=?sparse（index）;?????????????%稀疏矩陣中本應為j類的位置的系數
???????????temp?=?x?-?D_c*s_c;??????????????%
???????????residual（j）?=?norm（temp2）;??????%計算重構冗余
???????end
???????preLab?=?find（residual?==?min（residual））;?????%找出重構冗余最小的類別，即為預測的類別
???????conMat（preLab（1）tstLab（i））?=?conMat（preLab（1）tstLab（i））?+?1;?%根據實際類別與預測結果，更新混淆矩陣
????end
end

for?i?=?1?:?clsCnt
????conMat（:i）?=?conMat（:i）?./?（loopCnt?*?tstNum（i））;
end

ave_acc?=?sum（diag（conMat））/clsCnt
printConMat（conMat）;

save?result.mat

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????3415??2017-10-11?15:26??omp\classifier.m

?????文件???21909979??2017-05-11?22:40??omp\datalab.mat

?????文件????????836??2017-05-12?16:39??omp\OMP.m

?????文件???????1555??2017-05-12?16:55??omp\printConMat.m

?????文件???17725409??2017-10-25?09:26??omp\result.mat

?????目錄??????????0??2017-10-25?09:09??omp

-----------?---------??----------?-----??----

?????????????39641194????????????????????6