CNN分类基于matlab深度学习CNN故障诊断分类【含Matlab源码 3312期】.zip

clc % 清空命令行 clear % 清空变量 close all % 关闭开启的图窗 warning off % 关闭报警信息 %% 1、读取并分析数据 data = xlsread('feature.xlsx','featuresets'); % 读取Excel中故障特征数据，路径为相对路径，工作簿名称为featuresets class = length(unique(data(:, end))); % 分类个数 dimension = size(data, 2) - 1; % 特征维度 number = size(data, 1); % 样本数（一行是一个样本） ratio = 0.75; % 训练集占数据集的比例 data = data(randperm(number), :); % 数据集随机化 flag_conusion = 1; % 打开混淆矩阵 %% 2、样本划分 D_train = []; D_test = []; % 设置训练集和测试集特征数据存储 L_train = []; L_test = []; % 设置训练集和测试集标签数据存储 for i = 1 : class mid_res = data((data(:, 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_train = round(ratio * mid_size); % 得到该类别的训练样本个数 D_train = [D_train; mid_res(1: mid_train, 1: end - 1)]; % 训练集输入 L_train = [L_train; mid_res(1: mid_train, end)]; % 训练集输出 D_test = [D_test; mid_res(mid_train + 1: end, 1: end - 1)]; % 测试集输入 L_test = [L_test; mid_res(mid_train + 1: end, end)]; % 测试集输出 end %% 3、数据预处理 D_train = D_train'; D_test = D_test'; % 数据转置 L_train = L_train'; L_test = L_test'; M = size(D_train, 2); % 得到训练集样本数 N = size(D_test , 2); % 得到测试集样本数 [D_train, ps_input] = mapminmax(D_train, 0, 1); % 训练集数据归一化 D_test = mapminmax('apply', D_test, ps_input); % 测试集数据归一化 t_train = categorical(L_train)'; % 训练集标签转为categorical t_test = categorical(L_test )'; % 测试集标签转为categorical D_train = double(reshape(D_train, dimension, 1, 1, M)); % 训练集数据数据平铺 D_test = double(reshape(D_test , dimension, 1, 1, N)); % 测试集数据数据平铺 %% 4、构造CNN网络结构 layers = [ imageInputLayer([dimension, 1, 1]) % 输入层 convolution2dLayer([3, 1], 8,'Padding','same') % 8个卷积核，大小为3*1 batchNormalizationLayer % 批归一化层 reluLayer % relu激活层 maxPooling2dLayer([2, 1], 'Stride', 2) % 最大池化层，大小为2*1，步长为2 % dropoutLayer(0.2) % 丢弃层 convolution2dLayer([3, 1], 16,'Padding','same') % 16个卷积核，大小为3*1 batchNormalizationLayer % 批归一化层 reluLayer % relu激活层 maxPooling2dLayer([2, 1], 'Stride', 2) % 最大池化层，大小为2*1，步长为2 % dropoutLayer(0.2) % 丢弃层 convolution2dLayer([3, 1], 32,'Padding','same') % 32个卷积核，大小为2*1 batchNormalizationLayer % 批归一化层 reluLayer % relu激活层 maxPooling2dLayer([2, 1], 'Stride', 2) % 最大池化层，大小为2*2，步长为2 fullyConnectedLayer(class) % 全连接层（类别数） dropoutLayer(0.2) % 丢弃层 softmaxLayer % 损失函数层 classificationLayer]; % 分类层 %% 5、网络参数设置 options = trainingOptions('adam', ... % Adam梯度下降算法 'MaxEpochs', 500, ... % 最大训练次数500 'InitialLearnRate', 1e-2, ... % 初始学习率为0.01 'L2Regularization', 1e-04, ... % L2正则化参数 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.5, ... % 学习率下降因子0.5 'LearnRateDropPeriod', 600, ... % 经过600次训练后 学习率为 0.01*0.5 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'ValidationPatience', Inf, ... % 关闭验证 'Plots', 'training-progress', ... % 画出曲线 'MiniBatchSize', 256, ... % 批大小 'Verbose', false); %% 5、CNN模型训练 net = trainNetwork(D_train, t_train, layers, options); %% 6、结果预测 t_sim1 = predict(net, D_train); t_sim2 = predict(net, D_test ); T_sim1 = vec2ind(t_sim1'); % 反归一化 T_sim2 = vec2ind(t_sim2'); error1 = sum((T_sim1 == L_train)) / M * 100 ; % 性能评价 error2 = sum((T_sim2 == L_test )) / N * 100 ; analyzeNetwork(net) % 查看网络 %% 7、绘图查看分类结果 figure(1) plot(1: M, L_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', '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 figure(2) plot(1: N, L_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值', '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 %% 8、混淆矩阵 if flag_conusion == 1 figure(3) cm = confusionchart(L_train, T_sim1); cm.Title = 'Confusion Matrix for Train Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; figure(4) cm = confusionchart(L_test, T_sim2); cm.Title = 'Confusion Matrix for Test Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; end