matlab中Boosting算法的代码是什么？

先看这个结构里面的这些函数都是干什么用的戚漏逗，prob，概率。[1:keep]，这里应该能大概看出来keep是整数，1:keep等价于1:1:keep，比如1:10，就是1，2，3，4，5，6，7，8，9，10。步长为1，从1到keep.右上角的'，这个符号，表示转置，比如1:10，是一个1行10列的矩阵，通过转置变成10行一列。其中，sum([1:keep])，表示对这个矩阵（从1到keep求和），但是这个语句prob=flipud([1:keep]'/sum([1:keep]))里面总高卖觉得缺少了一个.。prob=flipud([1:keep]'./sum([1:keep]))这样看来应该才能运行，我没尝试，在commandwindow里面直接做是可以的，但是在脚本文件里面做，可能会报错。这个和矩阵运算有关，暂且放在这里。然后到外部，这样我们知道了在第一行flipud()函数体里面，实际上是在用1到keep的每一个数搜举，除以1到keep的和值，得到一个长度为keep的矩阵。值得注意的是，这个矩阵的和值为1，在下面会用到这一点。然后flipud()函数的作用，是把矩阵倒置，比如[1,3,4,5]，使用flipud()之后变成[5,4,3,1]。注意，这个 *** 作和sort()函数不同，这个只是把以前的顺序倒置，并不排序。从这里大概可以看出来，其实这个keep的值，等于chromosomes，染色体数量。这样，对于不同的染色体，配对概率就不一样了。从这里可以看出来，染色体配对概率应该是第一条最高，然后依次递减。然后计算或然率，cumsum()，进行累加求和，比如matlab中给出的例子，我们用[1，2，3]也可以写作1:3，来说，cumsum之后的结果是[1,3,6]，也就是从第一个开始加和，一直加到这一项。这一点，非常类似高斯函数积分的感觉。用来计算概率cumulativedistribution。然后odd变量，把0加在了cumsum结果的前面，比如刚刚的例子[0cumsum([1,2,3])]，就变成了[0,1,3,6]。注意这个地方他又转置了一次，因为在第一行计算prob的时候，他把一个行向量，转换成了列向量，然后现在要把0加在头上，所以在进行cumsun()运算的时候，又把结果从列向量转换成了行向量。仅从这两行代码里面，就大概只能看出这个意思了。不过简单一说，现在看不出来这个遗传算法的核心是什么样的，一般的神经网络里面只有连锁交换定律的应用，一般没有基因分离定律的应用。看这个样子，这是分离出来然后自由配对的做法，应该是比较高端的东西吧。

function [ rbf ] = RankBoost( X,Y,D,T )

%RankBoost implemetation of RankBoost algoritm

% Input:

% X - train set.

% Y - train labels.

% D - distribution function over X times X, it the form of 2D matrix.

% T - number of iteration of the boosting.

% Output:

% rbf - Ranking Function.

rbf = RankBoostFunc(T)

% w - the current distribution in any iteration, initilize to D

w = D

for t=1:T

tic

fprintf('RankBoost: creating the function, iteration %d out of %d\n',t,T)

WL = getBestWeakLearner(X,Y,w)

rbf.addWeakLearner(WL,t)

rbf.addAlpha(WL.alpha,t)

alpha=WL.alpha

%update the distribution

%eval the weak learnler on the set of X and Y

h=WL.eval(X)

[hlen, ~] = size(h)

% tmph = (repmat(h,1,hlen) - repmat(h',hlen,1))

% w=w.*exp(tmph.*alpha)

[rows, cols] = size(w)

sumw = 0

for r=1:rows

for c=1:cols

w(r,c) = w(r,c)*exp((h(r)-h(c))*alpha)

sumw = sumw + w(r,c)

end

end

%normalize w

% w = w./sum(w(:))

w = w./sumw

toc

end

end

---