回归预测 - MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据）

%% 加载数据与数据集划分 clc;clear;close all load data nwhole =size(input,2); train_ratio=700/1011; ntrain=round(nwhole*train_ratio); ntest =nwhole-ntrain; % 准备输入和输出训练数据 input_train = input(:,1:ntrain); output_train = output(:,1:ntrain); % 准备测试数据 input_test = input(:, ntrain+1:ntrain+ntest); output_test = output(:,ntrain+1:ntrain+ntest); %% 数据归一化 method=@mapminmax; [inputn_train,inputps]=method(input_train); inputn_test=method('apply',input_test,inputps); [outputn_train,outputps]=method(output_train); outputn_test=method('apply',output_test,outputps); %% 数据的一个转换，转换成MATLAB的CNN的输入数据形式，是4-D形式的，最后一维就是样本数 trainD=reshape(inputn_train,[size(input,1),1,1,ntrain]);%训练集输入 testD =reshape(inputn_test, [size(input,1),1,1,ntest]); %测试集输入 targetD = outputn_train;%训练集输出 targetD_test = outputn_test;%测试集输出 %% CNN模型建立 layers = [ imageInputLayer([size(input,1) 1 1]) %输入层参数设置 convolution2dLayer(3,16,'Padding','same')%卷积层的核大小、数量，填充方式 reluLayer %relu激活函数 fullyConnectedLayer(384) % 384 全连接层神经元 fullyConnectedLayer(384) % 384 全连接层神经元 fullyConnectedLayer(1) % 输出层神经元 regressionLayer]; % 添加回归层，用于计算损失值 %% 模型训练与测试 options = trainingOptions('adam', ... 'MaxEpochs',20, ... 'MiniBatchSize',16, ... 'InitialLearnRate',0.005, ... 'GradientThreshold',1, ... 'Verbose',false,... 'Plots','training-progress',... 'ValidationData',{testD,targetD_test'}); % 训练 net = trainNetwork(trainD,targetD',layers,options); % 预测 YPred = predict(net,testD); % 结果 YPred =double(YPred'); % 反归一化 CNNoutput_test=method('reverse',YPred,outputps); CNNoutput_test=double(CNNoutput_test); %% 测试集误差评价 CNNerror_test=CNNoutput_test'-output_test'; CNNpererror_test=CNNerror_test./output_test'; CNNpererror_test=filloutliers(CNNpererror_test,'spline'); CNNpererror_test(abs(CNNpererror_test)>1)=0; % R Rtest21=sum((output_test -mean(output_test)).*( CNNoutput_test - mean(CNNoutput_test))); Rtest22=sqrt(sumsqr(output_test -mean(output_test)).*sumsqr(CNNoutput_test - mean(CNNoutput_test))); Rtest = Rtest21/Rtest22; % RMSE RMSEtest = sqrt(sumsqr(CNNerror_test)/length(output_test)); % MAPE MAPEtest = mean(abs(CNNpererror_test)); disp("——————CNN网络模型测试数据——————————") disp(" 预测值 真实值 误差 ") disp([CNNoutput_test' output_test' CNNerror_test]) %-------------------------------------------------------------------------- disp('CNN测试平均绝对误差百分比MAPE'); disp(MAPEtest) disp('CNN测试均方根误差RMSE') disp(RMSEtest) %-------------------------------------------------------------------------- %% 数据可视化 figure() plot(CNNoutput_test,':.') hold on plot(output_test,'-') legend( '测试数据','实际数据','Location','NorthWest','FontName','华文宋体'); title('CNN模型测试结果及真实值','fontsize',12,'FontName','华文宋体') xlabel('时间','fontsize',12,'FontName','华文宋体'); ylabel('数值','fontsize',12,'FontName','华文宋体'); xlim([1 ntest]); %------------------------------------------------------------------------------------- figure() plot(CNNerror_test,'-','Color',[128 0 0]./255,'linewidth',1) legend('CNN模型测试误差','Location','NorthEast','FontName','华文宋体') title('CNN模型测试误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') xlim([1 ntest]); %------------------------------------------------------------------------------------- figure() plot(CNNpererror_test,'-','Color',[128 0 255]./255,'linewidth',1) legend('CNN模型测试相对误差','Location','NorthEast','FontName','华文宋体') title('CNN模型测试相对误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') xlim([1 ntest]);