CNN分类基于matlab格拉姆角场GAF结合卷积神经网络数据分类【含Matlab源码 4031期】.zip

%% 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 %% 导入数据 data= xlsread('数据集.xlsx'); res=[]; for i=1:size(data,2) res1=gaf(data(:,i)); res=[res res1]; end res(:,end)=data(:,end); %% 划分训练集和测试集 temp = randperm(357); [MM,NN]=size(res); P_train = res(temp(1: 357), 1: NN-1)'; T_train = res(temp(1: 357), NN)'; M = size(P_train, 2); P_test = res(temp(301: end), 1:NN-1)'; T_test = res(temp(301: end), NN)'; 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 = categorical(T_train)'; t_test = categorical(T_test )'; %% 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 p_train = double(reshape(P_train, NN-1, 1, 1, M)); p_test = double(reshape(P_test , NN-1, 1, 1, N)); %% 构造网络结构 layers = [ imageInputLayer([NN-1, 1, 1]) % 输入层 convolution2dLayer([2, 1], 16, 'Padding', 'same') % 卷积核大小为 2*1 生成16个卷积 batchNormalizationLayer % 批归一化层 reluLayer % relu 激活层 maxPooling2dLayer([2, 1], 'Stride', [2, 1]) % 最大池化层 大小为 2*1 步长为 [2, 1] convolution2dLayer([2, 1], 32, 'Padding', 'same') % 卷积核大小为 2*1 生成32个卷积 batchNormalizationLayer % 批归一化层 reluLayer % relu 激活层 fullyConnectedLayer(4) % 全连接层（类别数） softmaxLayer % 损失函数层 classificationLayer]; % 分类层 %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 200, ... % 最大训练次数 500 'InitialLearnRate', 1e-4, ... % 初始学习率为 0.001 'L2Regularization', 1e-4, ... % L2正则化参数 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.1, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 400, ... % 经过450次训练后 学习率为 0.001 * 0.1 '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 'Verbose', false); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 预测模型 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_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 ; %% 绘制网络分析图 analyzeNetwork(layers) %% 数据排序 [T_train, index_1] = sort(T_train); [T_test , index_2] = sort(T_test ); T_sim1 = T_sim1(index_1); T_sim2 = T_sim2(index_2); %% 绘图 figure plot(1: M, T_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) xlim([1, M]) grid figure plot(1: N, T_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) xlim([1, N]) grid %% 混淆矩阵 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';