Apéndice A. Códigos en MATLAB- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica.Report as inadecuate




Apéndice A. Códigos en MATLAB- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica. - Download this document for free, or read online. Document in PDF available to download.

Apéndice A. Códigos en MATLAB- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica. - Licenciatura en Ingeniería Mecatrónica. - Escuela de Ingeniería - Universidad de las Américas Puebla.

Author: Morales Sánchez, Alberto Alejandro

Source: http://catarina.udlap.mx/


Teaser



Apéndice A Códigos en MATLAB A.1. Boosting clear clc filedata1 = struct2cell(load(’LlantosHambre.mat’)); filedata2 = struct2cell(load(’LlantosDolor’)); filedata3 = struct2cell(load(’LlantoAsfixN’)); Filedata1 = filedata11,1; Filedata2 = filedata21,1; Filedata3 = filedata31,1; DataHambre = Filedata1(:,1:end-450); DataDolor = Filedata2(1:end,1:end-50); LabelsH = zeros(1,2000); LabelsD = zeros(1,2000); for o=1:2000 LabelsH(o)=1; end for p=1:2000 LabelsD(p)=-1; end MaxIter = 100; Maxsplits = 30; treesplits =1:Maxsplits; AccuracyA= zeros(1,Maxsplits); 55 ErrorA = zeros(1,Maxsplits); AccuracyANL= zeros(1,Maxsplits); ErrorANL = zeros(1,Maxsplits); TrainData= [DataHambre(1:10,1:end*.6) DataDolor(1:10,1:(end*.6))]; TrainLabels = [LabelsH(:,1:end*.6) LabelsD(:,1:end*.6)]; ControlData = [DataHambre(1:10,(end*.6) 1:end) DataDolor(1:10,(end*.6) 1:end400)]; ControlLabels = [LabelsH(:,(end*.6) 1:end) LabelsD(:,(end*.6) 1:end-400)]; TrainDataNL = [DataHambre(1:11,1:end*.6) DataDolor(1:11,1:(end*.6))]; TrainLabelsNL = [LabelsH(:,1:end*.6) LabelsD(:,1:end*.6)]; ControlDataNL = [DataHambre(1:11,(end*.6) 1:end) DataDolor(1:11,(end*.6) 1:end400)]; ControlLabelsNL = [LabelsH(:,(end*.6) 1:end) LabelsD(:,(end*.6) 1:end-400)]; tic for l=1:Maxsplits MABcontrolerror = zeros(1, MaxIter); MABcontrolerrorNL = zeros(1, MaxIter); weaklearner = treenodew(l); weaklearnerNL = treenodew(l); NuLearners = []; NuWeights = []; NuLearnersNL = []; NuWeightsNL = []; for lrnnum = 1 : MaxIter clc; disp(strcat(’Boosting step: ’, num2str(lrnnum),’-’, num2str(MaxIter), ’.
Tree Splits: ’, num2str(l),’-’,num2str(Maxsplits))); [NuLearners, NuWeights] = ModestAdaBoost(weaklearner, TrainData, TrainLabels, 1, NuWeights, NuLearners); [NuLearnersNL, NuWeightsNL] = ModestAdaBoost (weaklearnerNL, TrainDataNL, TrainLabelsNL, 1, NuWeightsNL, NuLearnersNL); NuControl = sign(Classify(NuLearners, NuWeights, ControlData)); NuControlNL = sign(Classify(NuLearnersNL, NuWeightsNL, ControlDataNL))...






Related documents