svm结合knn对变压器故障检测matlab代码

以下是一个简单的使用SVM和KNN结合进行变压器故障检测的MATLAB代码示例：

% 加载数据集
load transformer_data.mat

% 数据预处理
X = zscore(X);  % 数据标准化

% 将数据集分成训练集和测试集
train_ratio = 0.8;  % 训练集比例
num_train = round(train_ratio * size(X, 1));
rand_idx = randperm(size(X, 1));
train_idx = rand_idx(1:num_train);
test_idx = rand_idx(num_train+1:end);
X_train = X(train_idx, :);
y_train = y(train_idx);
X_test = X(test_idx, :);
y_test = y(test_idx);

% 训练SVM模型
svm_model = fitcsvm(X_train, y_train);

% 预测测试集
svm_pred = predict(svm_model, X_test);

% 计算SVM模型的准确率
svm_acc = sum(svm_pred == y_test) / length(y_test);

% 训练KNN模型
knn_model = fitcknn(X_train, y_train);

% 预测测试集
knn_pred = predict(knn_model, X_test);

% 计算KNN模型的准确率
knn_acc = sum(knn_pred == y_test) / length(y_test);

% 将SVM和KNN预测结果结合
pred = svm_pred.*knn_pred;

% 计算结合模型的准确率
acc = sum(pred == y_test) / length(y_test);
fprintf('SVM accuracy: %.2f%%\n', svm_acc*100);
fprintf('KNN accuracy: %.2f%%\n', knn_acc*100);
fprintf('Combined accuracy: %.2f%%\n', acc*100);

这个示例代码假设您已经有一个名为 `transformer_data.mat` 的MAT文件，其中包含变压器故障检测的数据集。在运行代码之前，请确保将数据集加载到MATLAB的工作空间中。代码将数据集的标准化，然后随机将数据集分成训练集和测试集。然后，使用SVM和KNN分别训练模型并进行预测。最后，将SVM和KNN的预测结果结合，并计算结合模型的准确率。