1

2022-04-29 00:00:14 阅读：153 来源： 互联网

clear     %清除工作空间所有变量
close all %关闭所有figure窗口
clc       %清除命令窗口的内容，对工作环境中的全部变量无任何影响
%PCA_SVM包含求标签和PCA过程
%% %1 数据加载
load('data.mat');
%% %2 求标签H
samples = 5120;  % 明文数
D = textin(1:samples,1);
clear textin byte_to_attack
K = keylist(1:samples);
H1 = HW(s(bitxor(D',K)+1)+1);
H=H1';
%% %3 数据PCA
[coeff, score, latent, tsquared, explained, mu]=pca(traces);
a=cumsum(latent)./sum(latent);
idx=find(a>0.9);  
k=idx(1);
pcaData=score(:,1:k);%143
%% %4 SVM模型训练
H=H(1:5000);
label=double(H);
traces1= pcaData((1:5000),:);
% 1. 随机产生训练集和测试集
n = randperm(size(traces1,1));
% 2. 训练集——4500个样本
train_matrix = traces1(n(1:4500),:);
train_label = label(n(1:4500),:);
% 3. 测试集——500个样本
test_matrix = traces1(n(4501:end),:);
test_label = label(n(4501:end),:);
%SVM创建/训练(RBF核函数)
% 1. 寻找最佳c/g参数——交叉验证方法
% [c,g] = meshgrid(0:0.2:10,-10:0.2:10);
% [m,n] = size(c);
% cg = zeros(m,n);
% eps = 10^(-4);
% v = 3;
% bestc = 1;
% bestg = 0.1;
% bestacc = 0;
% for i = 1:m
%     for j = 1:n
%         cmd = ['-v ',num2str(v),' -t 0',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];
%         cg(i,j) = svmtrain(train_label,train_matrix,cmd);     
%         if cg(i,j) > bestacc
%             bestacc = cg(i,j);
%             bestc = 2^c(i,j);
%             bestg = 2^g(i,j);
%         end        
%         if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j) 
%             bestacc = cg(i,j);
%             bestc = 2^c(i,j);
%             bestg = 2^g(i,j);
%         end               
%     end
% end
%cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];
cmd = [' -t 2',' -c ',num2str(100),' -g ',num2str(0.3),'-v',num2str(3)];
% 2. 创建/训练SVM模型
model = svmtrain(train_label,train_matrix,cmd);

%% 5 SVM仿真测试
[predict_label_1,accuracy_1,prob_estimates] = svmpredict(train_label,train_matrix,model);
[predict_label_2,accuracy_2,prob_estimates2] = svmpredict(test_label,test_matrix,model);
result_1 = [train_label predict_label_1];
result_2 = [test_label predict_label_2];
%% 绘图
figure
plot(1:length(test_label),test_label,'r-*')
hold on
plot(1:length(test_label),predict_label_2,'b:o')
grid on
legend('真实类别','预测类别')
xlabel('测试集样本编号')
ylabel('测试集样本类别')
string = {'测试集SVM预测结果对比(RBF核函数)';
          ['accuracy = ' num2str(accuracy_2(1)) '%']};
title(string)

标签：,SVM,%%,label,train,num2str,test
来源： https://www.cnblogs.com/chacaxx/p/16205091.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

1