MATLAB实例：为网络中每个节点平均分配样例
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
数据见：MATLAB实例：PCA降维中的iris数据集，保存为：iris_data.txt与iris_id.txt。
Network数据见：MATLAB实例：构造网络连接图(Network Connection)及计算图的代数连通度(Algebraic Connectivity)
1. MATLAB程序
function [ sel_fea, sel_gnd, NodeSample, GroundTruth ] = splitdata_func( Network, fea, gnd ,K)
% 为网络中的每个节点平均分配样例
% 输入：Network：Network Connection(网络连接图)，fea：数据集，gnd：标签，groundtruth，K：类别数
% 输出：sel_fea：选出的数据，sel_gnd：选出的与数据相对应的真实类标签，NodeSample：平均分配的每个节点的数据
% GroundTruth：nodegnd：每个节点中数据的真实类标签，gnd：选出的数据的真实类标签，base_align：真实的每一类数据的平均值
nodenum = Network.Conf.NodeNumber; %节点个数
NodeSample = cell(nodenum,1); %[节点个数*1]的元组，每一行都是一个向量
[nsample,dim] = size(fea); %nsample：样本个数，dim：样本维度
split = floor(nsample/nodenum);
select_id = randperm(nsample, split*nodenum);
sel_fea = fea(select_id,:);
sel_gnd = gnd(select_id,:);
nsample = split*nodenum; %选出的样本个数=split*nodenum，比原来的少
sortedidx = randperm(nsample);
sel_fea = sel_fea(sortedidx,:);
sel_gnd = sel_gnd(sortedidx,:); %重新排列，打乱顺序
base_align = zeros(dim,K); %每一类的数据的平均值
for i=1:K
idx = find(sel_gnd==i);
base_align(:,i) = mean(sel_fea(idx,:),1)';
end
beginp = 1;
for i=1:nodenum %从1到节点个数
endp = beginp + split-1;
NodeSample{i}.data = sel_fea(beginp:endp,:); %为每个节点平均分配数据
GroundTruth.nodegnd{i} = sel_gnd(beginp:endp,:);
beginp = endp+1;
end
GroundTruth.gnd = sel_gnd;
GroundTruth.base_align = base_align;
end
2. 结果
>> load('Network_1.mat')
>> fea=dlmread('E:\database\UCI与非球形数据集\iris_data.txt');
>> gnd=dlmread('E:\database\UCI与非球形数据集\iris_id.txt')+1;
>> [ sel_fea, sel_gnd, NodeSample, GroundTruth ] = splitdata_func( Network, fea, gnd ,3)
sel_fea =
5.0000 2.0000 3.5000 1.0000
4.6000 3.6000 1.0000 0.2000
5.2000 3.4000 1.4000 0.2000
6.9000 3.1000 4.9000 1.5000
5.6000 2.7000 4.2000 1.3000
7.7000 2.6000 6.9000 2.3000
6.1000 3.0000 4.6000 1.4000
5.8000 4.0000 1.2000 0.2000
5.5000 2.3000 4.0000 1.3000
6.2000 2.2000 4.5000 1.5000
6.1000 2.9000 4.7000 1.4000
5.9000 3.0000 5.1000 1.8000
5.7000 2.6000 3.5000 1.0000
5.0000 3.5000 1.3000 0.3000
4.7000 3.2000 1.3000 0.2000
6.0000 3.4000 4.5000 1.6000
5.4000 3.9000 1.7000 0.4000
5.1000 3.3000 1.7000 0.5000
5.2000 4.1000 1.5000 0.1000
6.7000 3.1000 5.6000 2.4000
4.8000 3.4000 1.6000 0.2000
6.3000 2.3000 4.4000 1.3000
7.7000 2.8000 6.7000 2.0000
6.7000 3.1000 4.4000 1.4000
6.7000 3.3000 5.7000 2.5000
6.9000 3.1000 5.1000 2.3000
5.4000 3.0000 4.5000 1.5000
6.6000 2.9000 4.6000 1.3000
6.7000 2.5000 5.8000 1.8000
5.8000 2.6000 4.0000 1.2000
6.3000 2.8000 5.1000 1.5000
4.3000 3.0000 1.1000 0.1000
5.6000 3.0000 4.1000 1.3000
7.4000 2.8000 6.1000 1.9000
6.1000 2.6000 5.6000 1.4000
5.6000 3.0000 4.5000 1.5000
5.2000 2.7000 3.9000 1.4000
5.5000 3.5000 1.3000 0.2000
6.1000 2.8000 4.7000 1.2000
5.4000 3.7000 1.5000 0.2000
4.9000 2.5000 4.5000 1.7000
6.0000 3.0000 4.8000 1.8000
5.6000 2.9000 3.6000 1.3000
6.3000 2.9000 5.6000 1.8000
5.5000 2.4000 3.7000 1.0000
6.9000 3.2000 5.7000 2.3000
5.0000 2.3000 3.3000 1.0000
5.8000 2.7000 5.1000 1.9000
6.4000 3.1000 5.5000 1.8000
5.0000 3.6000 1.4000 0.2000
6.2000 2.8000 4.8000 1.8000
7.2000 3.0000 5.8000 1.6000
6.8000 3.0000 5.5000 2.1000
4.4000 3.2000 1.3000 0.2000
5.7000 2.8000 4.5000 1.3000
5.0000 3.0000 1.6000 0.2000
6.2000 2.9000 4.3000 1.3000
4.5000 2.3000 1.3000 0.3000
6.0000 2.2000 4.0000 1.0000
6.7000 3.0000 5.2000 2.3000
5.1000 3.8000 1.6000 0.2000
6.3000 2.5000 5.0000 1.9000
6.0000 2.2000 5.0000 1.5000
4.6000 3.1000 1.5000 0.2000
4.8000 3.4000 1.9000 0.2000
5.7000 2.9000 4.2000 1.3000
5.5000 2.6000 4.4000 1.2000
5.7000 2.8000 4.1000 1.3000
6.0000 2.7000 5.1000 1.6000
7.9000 3.8000 6.4000 2.0000
5.7000 2.5000 5.0000 2.0000
5.1000 3.8000 1.5000 0.3000
5.4000 3.9000 1.3000 0.4000
4.9000 2.4000 3.3000 1.0000
4.9000 3.1000 1.5000 0.1000
6.3000 2.5000 4.9000 1.5000
5.9000 3.2000 4.8000 1.8000
6.3000 3.3000 6.0000 2.5000
5.4000 3.4000 1.7000 0.2000
7.1000 3.0000 5.9000 2.1000
4.9000 3.0000 1.4000 0.2000
4.9000 3.6000 1.4000 0.1000
5.8000 2.7000 5.1000 1.9000
5.8000 2.7000 3.9000 1.2000
6.0000 2.9000 4.5000 1.5000
6.5000 3.2000 5.1000 2.0000
6.4000 3.2000 4.5000 1.5000
7.2000 3.2000 6.0000 1.8000
6.3000 2.7000 4.9000 1.8000
7.0000 3.2000 4.7000 1.4000
6.7000 3.0000 5.0000 1.7000
7.7000 3.0000 6.1000 2.3000
5.5000 2.4000 3.8000 1.1000
6.5000 3.0000 5.2000 2.0000
4.4000 3.0000 1.3000 0.2000
4.8000 3.0000 1.4000 0.1000
6.9000 3.1000 5.4000 2.1000
6.4000 2.8000 5.6000 2.2000
4.8000 3.0000 1.4000 0.3000
6.3000 3.3000 4.7000 1.6000
5.0000 3.4000 1.5000 0.2000
6.6000 3.0000 4.4000 1.4000
5.7000 4.4000 1.5000 0.4000
4.9000 3.1000 1.5000 0.2000
5.0000 3.5000 1.6000 0.6000
6.4000 2.8000 5.6000 2.1000
5.5000 2.5000 4.0000 1.3000
5.1000 3.8000 1.9000 0.4000
4.6000 3.2000 1.4000 0.2000
7.7000 3.8000 6.7000 2.2000
5.2000 3.5000 1.5000 0.2000
5.6000 2.8000 4.9000 2.0000
7.6000 3.0000 6.6000 2.1000
6.2000 3.4000 5.4000 2.3000
6.8000 3.2000 5.9000 2.3000
5.9000 3.0000 4.2000 1.5000
6.5000 2.8000 4.6000 1.5000
5.0000 3.3000 1.4000 0.2000
6.3000 3.4000 5.6000 2.4000
5.7000 3.0000 4.2000 1.2000
6.5000 3.0000 5.8000 2.2000
7.2000 3.6000 6.1000 2.5000
5.1000 3.7000 1.5000 0.4000
5.1000 3.5000 1.4000 0.3000
6.4000 2.9000 4.3000 1.3000
5.0000 3.2000 1.2000 0.2000
7.3000 2.9000 6.3000 1.8000
6.4000 2.7000 5.3000 1.9000
4.8000 3.1000 1.6000 0.2000
5.0000 3.4000 1.6000 0.4000
6.1000 2.8000 4.0000 1.3000
6.7000 3.3000 5.7000 2.1000
6.7000 3.1000 4.7000 1.5000
6.8000 2.8000 4.8000 1.4000
4.4000 2.9000 1.4000 0.2000
4.6000 3.4000 1.4000 0.3000
5.1000 3.5000 1.4000 0.2000
6.1000 3.0000 4.9000 1.8000
5.6000 2.5000 3.9000 1.1000
6.4000 3.2000 5.3000 2.3000
5.7000 3.8000 1.7000 0.3000
5.3000 3.7000 1.5000 0.2000
5.4000 3.4000 1.5000 0.4000
5.1000 2.5000 3.0000 1.1000
5.1000 3.4000 1.5000 0.2000
4.7000 3.2000 1.6000 0.2000
5.5000 4.2000 1.4000 0.2000
5.8000 2.7000 4.1000 1.0000
6.5000 3.0000 5.5000 1.8000
5.8000 2.8000 5.1000 2.4000
sel_gnd =
2
1
1
2
2
3
2
1
2
2
2
3
2
1
1
2
1
1
1
3
1
2
3
2
3
3
2
2
3
2
3
1
2
3
3
2
2
1
2
1
3
3
2
3
2
3
2
3
3
1
3
3
3
1
2
1
2
1
2
3
1
3
3
1
1
2
2
2
2
3
3
1
1
2
1
2
2
3
1
3
1
1
3
2
2
3
2
3
3
2
2
3
2
3
1
1
3
3
1
2
1
2
1
1
1
3
2
1
1
3
1
3
3
3
3
2
2
1
3
2
3
3
1
1
2
1
3
3
1
1
2
3
2
2
1
1
1
3
2
3
1
1
1
2
1
1
1
2
3
3
NodeSample =
50×1 cell 数组
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
{1×1 struct}
GroundTruth =
包含以下字段的 struct:
nodegnd: {1×50 cell}
gnd: [150×1 double]
base_align: [4×3 double]
3. 参考文献
[1] Hua J, Li C. Distributed variational Bayesian algorithms over sensor networks[J]. IEEE Transactions on Signal Processing, 2015, 64(3): 783-798.
[2] Junhao Hua. Distributed Variational Bayesian Algorithms. Github, 2017.
