CNN分类基于matlab鲸鱼算法优化卷积神经网WOA-CNN通信辐射源识别【含Matlab源码 2562期】

%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 %% 读取数据 res = xlsread('数据.xlsx'); [dataX,dataY,dataYreal,names] = getData(); res=[res dataYreal]; %% 分析数据 num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别） num_dim = size(res, 2) - 1; % 特征维度 num_res = size(res, 1); % 样本数（每一行，是一个样本） num_size = 0.7; % 训练集占数据集的比例 res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行） flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上） %% 设置变量存储数据 P_train = []; P_test = []; T_train = []; T_test = []; %% 划分数据集 for i = 1 : num_class mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本 mid_size = size(mid_res, 1); % 得到不同类别样本个数 mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数 P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入 T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出 P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入 T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出 end %% 数据转置 P_train = P_train'; P_test = P_test'; T_train = T_train'; T_test = T_test'; %% 得到训练集和测试样本个数 M = size(P_train, 2); N = size(P_test , 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 数据平铺 % 将数据平铺成1维数据只是一种处理方式 % 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构 % 但是应该始终和输入层数据结构保持一致 vp_train = double(reshape(p_train, num_dim, 1, 1, M)); vp_test = double(reshape(p_test , num_dim, 1, 1, N)); vt_train = categorical(T_train)'; vt_test = categorical(T_test )'; %% 子函数 fitness = @(x)CostFunction(x,T_train ,vp_train,vt_train,num_dim,num_class ); popsize=20; maxgen=50; dim=3; lb=[10 0.001 1e-10];% batch size 学习率 正则化系数 ub=[50 1 0.01];% batch size 学习率 正则化系数 [Leader_pos,Leader_score, curve]=WOA(popsize,maxgen,dim,lb,ub,fitness); MiniBatchSize = round(Leader_pos(1)); % 最佳隐藏层节点数 InitialLearnRate = Leader_pos(2); % 最佳初始学习率 L2Regularization =Leader_pos(3); % 最佳L2正则化系数 %% 构造网络结构 layers = [ imageInputLayer([num_dim, 1, 1]) % 输入层 输入数据规模[num_dim, 1, 1] convolution2dLayer([1, 1], 16) % 卷积核大小 3*1 生成16张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 convolution2dLayer([1, 1], 32) % 卷积核大小 3*1 生成32张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 dropoutLayer(0.2) % Dropout层 fullyConnectedLayer(num_class, "Name", "fc") % 全连接层 softmaxLayer("Name", "softmax") % softmax激活层 classificationLayer("Name", "classification")]; % 分类层 %% 参数设置 % % 参数设置 options = trainingOptions('sgdm', ... % 梯度下降算法adam 'MaxEpochs',500, ... % 最大训练次数 1000 'MiniBatchSize',MiniBatchSize, ... 'GradientThreshold', 1, ... 'InitialLearnRate', InitialLearnRate, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod',400, ... % 经过800次训练后 学习率为 0.01*0.1 'LearnRateDropFactor',0.2, ... 'L2Regularization', L2Regularization, ... 'ExecutionEnvironment', 'cpu',... 'Verbose', 0, ... 'Plots', 'training-progress'); %% 训练模型 net = trainNetwork(vp_train,vt_train,layers,options); %% 预测 t_sim1 = predict(net, vp_train); t_sim2 = predict(net, vp_test ); %% 反归一化 T_sim1 = vec2ind(t_sim1'); T_sim2 = vec2ind(t_sim2'); %% 性能评价 error1 = sum((T_sim1 == T_train))/M * 100 ; error2 = sum((T_sim2 == T_test)) /N * 100 ; %% 绘图 figure(1) plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', 'WOA-CNN预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}; title(string) grid name={'人1',' ','人2',' ','人3',' ','人4',' ','人5',' ','人6'}; yticklabels(name) figure(2) plot(1: N, T_test, 'r-o', 1: N, T_sim2, 'g-s', 'LineWidth', 1) legend('真实值', 'WOA-CNN预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}; title(string) grid yticklabels(name) %% 混淆矩阵 if flag_conusion == 1 figure cm = confusionchart(T_train, T_sim1); cm.Title = 'Confusion Matrix for Train Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; figure cm = confusionchart(T_test, T_sim2); cm.Title = 'Confusion Matrix for Test Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; end