光谱支持向量机代码matlab

光谱支持向量机（SVM）是一种常用的分类方法，用于在光谱数据的基础上进行分类。下面是一个基于MATLAB的光谱支持向量机分类代码示例：

1. 数据预处理：首先，将光谱数据进行预处理，包括读取、归一化和分割。

% 读取光谱数据
data = load('data.txt');

% 归一化光谱数据
data_normalized = normalize(data);

% 分割数据集为训练集和测试集
train_data = data_normalized(1:200,:);
test_data = data_normalized(201:end,:);

2. 特征提取：根据具体问题，提取合适的特征。这里以PCA进行降维为例。

% 使用主成分分析(PCA)进行降维
[coeff,score,latent] = pca(train_data);
% 提取前n个主成分
n = 50;
train_features = score(:,1:n);

3. 训练和测试SVM模型：使用提取的特征训练支持向量机模型，并在测试集上进行预测。

% 训练SVM模型
svm_model = fitcsvm(train_features,train_labels,'KernelFunction','linear');

% 使用SVM模型进行预测
test_features = test_data * coeff(:,1:n);
predicted_labels = predict(svm_model,test_features);

4. 评估分类结果：根据分类结果评估模型的性能。

% 计算分类准确率
accuracy = sum(predicted_labels == test_labels)/length(test_labels);

以上是一个简单的光谱支持向量机分类的MATLAB代码示例，可以根据具体的数据和问题进行一定的调整和优化。