sigmoid核函数

支持向量机混合高斯与sigmoid核函数

function [svm_struct svIndex] = svmtrain_lm（training groupnames varargin）
%SVMTRAIN trains a support vector machine classifier
%
%   SVMStruct = SVMTRAIN（TRAININGGROUP） trains a support vector machine
%   classifier using data TRAINING taken from two groups given by GROUP.
%   SVMStruct contains information about the trained classifier including
%   the support vectors that is used by SVMCLASSIFY for classification.
%   GROUP is a column vector of values of the same length as TRAINING that
%   defines two groups. Each element of GROUP specifies the group the
%   corresponding row of TRAINING belongs to. GROUP can be a numeric
%   vector a string array or a cell array of strings. SVMTRAIN treats
%   NaNs or empty strings in GROUP as missing values and ignores the
%   corresponding rows of TRAINING.
%
%   SVMTRAIN（...‘KERNEL_FUNCTION‘KFUN） allows you to specify the kernel
%   function KFUN used to map the training data into kernel space. The
%   default kernel function is the dot product. KFUN can be one of the
%   following strings or a function handle:
%
%       ‘linear‘      Linear kernel or dot product
%       ‘quadratic‘   Quadratic kernel
%       ‘polynomial‘  Polynomial kernel （default order 3）
%       ‘rbf‘         Gaussian Radial Basis Function kernel
%       ‘mlp‘         Multilayer Perceptron kernel （default scale 1）
%       ‘mix‘         mlp+rbf
%       function      A kernel function specified using @
%                     for example @KFUN or an anonymous function
%
%   A kernel function must be of the form
%
%         function K = KFUN（U V）
%
%   The returned value K is a matrix of size M-by-N where U and V have M
%   and N rows respectively.  If KFUN is parameterized you can use
%   anonymous functions to capture the problem-dependent parameters. For
%   example suppose that your kernel function is
%
%       function k = kfun（uvp1p2）
%       k = tanh（p1*（u*v‘）+p2）;
%
%   You can set values for p1 and p2 and then use an anonymous function:
%       @（uv） kfun（uvp1p2）.
%
%   SVMTRAIN（...‘RBF_SIGMA‘SIGMA） allows you to specify the scaling
%   factor sigma in the radial basis function kernel.
%
%   SVMTRAIN（...‘POLYORDER‘ORDER） allows you to specify the order of a
%   polynomial kernel. The default order is 3.
%
%   SVMTRAIN（...‘MLP_PARAMS‘[P1 P2]） allows you to specify the
%   parameters of the Multilayer Perceptron （mlp） kernel. The mlp kernel
%   requires two parameters P1 and P2 where K = tanh（P1*U*V‘ + P2） and P1
%   > 0 and P2 < 0. Default values are P1 = 1 and P2 = -1.
%
%   SVMTRAIN（...‘METHOD‘METHOD） allows you to specify the method used
%   to find the separating hyperplane. Options are
%
%       ‘QP‘  Use quadratic programming （requires the Optimization Toolbox）
%       ‘SMO‘ Use Sequential Minimal Optimization method
%       ‘LS‘  Use least-squares method
%
%   If you have the Optimization Toolbox then the QP method is the defau

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       22907  2013-07-31 11:35  svmtrain_lm.m