波变换

开发平台：
Visual C++

save.h：源码内容
							#ifndef SAVE_H
#define SAVE_H
int main( int argc, char** argv )
{
    CvMat* train_m = cvCreateMat(120,10,CV_32FC1);
    CvMat* response_m = cvCreateMat(120,1,CV_32FC1);
    CvMat* test_m  = cvCreateMat(30,10,CV_32FC1);
    CvMat* result_m = cvCreateMat(30,1,CV_32FC1);
    FILE* fp;
    fp = fopen("../aaa.txt","r");
    if(fp == NULL)
        return -1;
    int train_step = train_m->step/sizeof(float);
    float* train_data = train_m->data.fl;
    int test_step = test_m->step/sizeof(float);
    float* test_data = test_m->data.fl;
    int response_step = response_m->step/sizeof(float);
    float* response_data = response_m->data.fl;
    int result_step = result_m->step/sizeof(float);
    float* result_data = result_m->data.fl;
    float lineData[12];
    for(int k=0;k<3;k++)
    {
        for(int i=0;i<50;i++)
        {
            for(int t=0;t<12;t++)
                fscanf(fp,"%f",&lineData[t]);
            for(int j=0;j<=10;j++)
                if(i<40)
                {
                    train_data[(40*k+i)*train_step + j] = lineData[j+2];
                    response_data[(40*k+i)*response_step] = k;
                }
                else
                {
                    test_data[(10*k+(i-40))*test_step + j] = lineData[j+2];
                }
        }
    }
 /*
    printf("training datan");
    for(int i=0;i<120;i++)
    {
        for(int j=0;j<10;j++)
            printf("%.3f_",train_data[i*train_step+j]);
        printf("n");
    }
    printf("n");
    printf("testing datan");
    for(int i=0;i<30;i++)
    {
        for(int j=0;j<10;j++)
            printf("%.3f_",test_data[i*test_step+j]);
        printf("n");
    }
    printf("n");
*/
    CvNormalBayesClassifier bayesClassifier(train_m,response_m);
    CvMat* rowMat = cvCreateMat(1,10,CV_32FC1);
    float category;
    int right=0;
    printf("resulting datan");
    for(int k=0;k<3;k++)
    {
        for(int i=0;i<10;i++)
        {
            cvGetRow(test_m,rowMat,k*10+i);
            category = bayesClassifier.predict(rowMat,0);
            if( (int)category == k )
                right++;
            printf("%.3fn",category);
        }
    }
    printf("n%f",right/30.0*100);
    /*
    bayesClassifier.predict(test_m,result_m);
    printf("resulting datan");
    for(int i=0;i<30;i++)
        printf("%.3fn",result_data[i*result_step]);
    printf("n");
    int right=0;
    for(int k=0;k<3;k++)
    {
        for(int i=0;i<10;i++)
        {
            if( (int)result_data[(10*k+i)*result_step] == k )
                right++;
        }
    }
    printf("%f",(float)right/30*100);
    */
    fclose(fp);
    while(1);
    return 0;
}
void meanDevi(CvMat *arr, CvMat *mean_devi)
{
    if(arr->cols != mean_devi->cols)
        return;
    int i,row,col;
    CvMat *temp_col;
    CvScalar mean = cvScalar(0.0, 0.0, 0.0, 0.0);
    CvScalar devi = cvScalar(0.0, 0.0, 0.0, 0.0);
    row = arr->rows;
    col = arr->cols;
    temp_col = cvCreateMat(row,1,CV_32FC1);
    float *data = (float*)mean_devi->data.fl;
    int step = mean_devi->step/sizeof(float);
    for(i=0;i<col;i++)
    {
        cvGetCol(arr,temp_col,i);
        cvAvgSdv(temp_col,&mean,&devi,NULL);
        data[i] = mean.val[0];
        data[step+i] = devi.val[0];
    }
}
void dataNormalize(CvMat *arr, CvMat *mean_devi)
{
    if(arr->cols != mean_devi->cols)
        return;
    int i,j,row,col;
    row = arr->rows;
    col = arr->cols;
    float *arr_data = (float*)arr->data.fl;
    int arr_step = arr->step/sizeof(float);
    float *data = (float*)mean_devi->data.fl;
    int step = mean_devi->step/sizeof(float);
    for(i=0;i<col;i++)
    {
        float mean = data[i];
        float devi = data[step+i];
        for(j=0;j<row;j++)
            arr_data[j*arr_step+i] = (arr_data[j*arr_step+i] - mean)/devi;
    }
}
void minMax(CvMat *arr, CvMat *min_max)
{
    if(arr->cols != min_max->cols)
        return;
    int i,row,col;
    CvMat *temp_col;
    double min;
    double max;
    row = arr->rows;
    col = arr->cols;
    temp_col = cvCreateMat(row,1,CV_32FC1);
    float *data = (float*)min_max->data.fl;
    int step = min_max->step/sizeof(float);
    for(i=0;i<col;i++)
    {
        cvGetCol(arr,temp_col,i);
        cvMinMaxLoc(temp_col,&min,&max);
        data[i] = (float)min;
        data[step+i] = (float)max;
    }
}
void dataLinear(CvMat *arr, CvMat *min_max)
{
    if(arr->cols != min_max->cols)
        return;
    int i,j,row,col;
    row = arr->rows;
    col = arr->cols;
    float *arr_data = (float*)arr->data.fl;
    int arr_step = arr->step/sizeof(float);
    float *data = (float*)min_max->data.fl;
    int step = min_max->step/sizeof(float);
    for(i=0;i<col;i++)
    {
        float min = data[i];
        float max = data[step+i];
        for(j=0;j<row;j++)
            arr_data[j*arr_step+i] = (arr_data[j*arr_step+i] - min)/(max-min);
    }
}
int main( int argc, char** argv )
{
    CvMat* train_m = cvCreateMat(120,10,CV_32FC1);
    CvMat* response_m = cvCreateMat(120,1,CV_32FC1);
    CvMat* test_m  = cvCreateMat(30,10,CV_32FC1);
    CvMat* result_m = cvCreateMat(30,1,CV_32FC1);
    CvMat* mean_devi = cvCreateMat(2,10,CV_32FC1);
    CvMat* min_max = cvCreateMat(2,10,CV_32FC1);
    FILE* fp;
    fp = fopen("../aaa.txt","r");
    if(fp == NULL)
        return -1;
    int train_step = train_m->step/sizeof(float);
    float* train_data = train_m->data.fl;
    int test_step = test_m->step/sizeof(float);
    float* test_data = test_m->data.fl;
    int response_step = response_m->step/sizeof(float);
    float* response_data = response_m->data.fl;
    int result_step = result_m->step/sizeof(float);
    float* result_data = result_m->data.fl;
    float lineData[12];
    for(int k=0;k<3;k++)
    {
        for(int i=0;i<50;i++)
        {
            for(int t=0;t<12;t++)
                fscanf(fp,"%f",&lineData[t]);
            for(int j=0;j<=10;j++)
                if(i<40)
                {
                    train_data[(40*k+i)*train_step + j] = lineData[j+2];
                    response_data[(40*k+i)*response_step] = k;
                }
                else
                {
                    test_data[(10*k+(i-40))*test_step + j] = lineData[j+2];
                }
        }
    }
    meanDevi(train_m,mean_devi);
    dataNormalize(train_m,mean_devi);
    dataNormalize(test_m,mean_devi);
    //minMax(train_m,min_max);
    //dataLinear(train_m,min_max);
    //dataLinear(test_m,min_max);
    printf("training datan");
    for(int i=0;i<120;i++)
    {
        for(int j=0;j<10;j++)
            printf("%.3f_",train_data[i*train_step+j]);
        printf("n");
    }
    printf("n");
    printf("testing datan");
    for(int i=0;i<30;i++)
    {
        for(int j=0;j<10;j++)
            printf("%.3f_",test_data[i*test_step+j]);
        printf("n");
    }
    printf("n");
    CvTermCriteria criteria;
    CvSVMParams param;
    criteria= cvTermCriteria(CV_TERMCRIT_EPS, 0, FLT_EPSILON);
    param= CvSVMParams(CvSVM::C_SVC, CvSVM::POLY,
                        1.0, 1.0, 1.0,
                        2, 0.0, 0.0,
                        NULL, criteria);
    CvSVM  svmClassifier = CvSVM();
    svmClassifier.train(train_m,response_m,NULL,NULL,param);
    CvMat* rowMat = cvCreateMat(1,10,CV_32FC1);
    float category;
    int right=0;
    printf("resulting datan");
    for(int k=0;k<3;k++)
    {
        for(int i=0;i<10;i++)
        {
            cvGetRow(test_m,rowMat,k*10+i);
            category = svmClassifier.predict(rowMat);
            if( (int)category == k )
                right++;
            printf("%.3fn",category);
        }
    }
    printf("n%f",right/30.0*100);
    fclose(fp);
    while(1);
    return 0;
}
#endif // SAVE_H

						