Matlab实现PSO-DBN粒子群优化深度置信网络多特征输入分类预测（完整源码和数据）

%% 清空环境变量 clc; clear; warning off close all %% 添加路径 addpath("Toolbox\") %% 读取数据 res = xlsread('数据集.xlsx'); %% 分析数据 num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别） 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 = ind2vec(T_train); t_test = ind2vec(T_test ); %% 转置以适应模型 p_train = p_train'; p_test = p_test'; t_train = t_train'; t_test = t_test'; %% 参数设置 fun = @getObjValue; % 目标函数 dim = 5; % 优化参数个数 lb = [ 20, 20, 20, 1.0, 100]; % 优化参数目标下限 ub = [ 80, 80, 80, 3.0, 600]; % 优化参数目标上限 pop = 6; % 种群数量 Max_iteration = 10; % 最大迭代次数 %% 优化算法 [Best_score,Best_pos, curve] = PSO(pop, Max_iteration, lb, ub, dim, fun); %% 模型预训练 Best_pos(1: 3)=round(Best_pos(1: 3)); % -------- 修改这里参数时，应对应修改子函数 getObjValue 的相关参数 --------------- dbn.sizes = Best_pos(1: 3); % 隐藏层节点 opts.numepochs = 100; % 训练次数 opts.batchsize = M; % 每次训练样本个数 需满足：（M / batchsize = 整数） opts.momentum = 0; % 学习率的动量 opts.alpha = 0.01; % 学习率 dbn = dbnsetup(dbn, p_train, opts); % 建立模型 dbn = dbntrain(dbn, p_train, opts); % 训练模型 %% 训练权重移植，添加输出层 nn = dbnunfoldtonn(dbn, num_class); %% 反向调整网络 % -------- 修改这里参数时，应对应修改子函数 getObjValue 的相关参数 --------------- Best_pos(5)=round(Best_pos(5)); opts.numepochs = Best_pos(5); % 反向微调次数 opts.batchsize = M; % 每次反向微调样本数 需满足：（M / batchsize = 整数） nn.activation_function = 'sigm'; % 激活函数 nn.learningRate = Best_pos(4); % 学习率 nn.momentum = 0.5; % 动量参数 nn.scaling_learningRate = 1; % 学习率的比例因子 [nn, loss, accu] = nntrain(nn, p_train, t_train, opts); % 训练 %% 仿真预测 T_sim1 = nnpredict(nn, p_train); T_sim2 = nnpredict(nn, p_test ); %% 性能评价 error1 = sum((T_sim1' == T_train)) / M * 100 ; error2 = sum((T_sim2' == T_test )) / N * 100 ; %% 适应度曲线 figure plot(1: length(curve), curve, 'LineWidth', 1.5); title('PSO-DBN适应度变化曲线', 'FontSize', 10); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值', 'FontSize', 10); xlim([1, length(curve)]) grid on %% 损失函数曲线 figure plot(1: length(accu), accu, 'r-', 'LineWidth', 1) xlabel('迭代次数') ylabel('准确率') legend('训练集正确率') title ('训练集正确率曲线') xlim([1, length(accu)]) grid figure plot(1 : length(loss), loss, 'b-', 'LineWidth', 1) xlabel('迭代次数') ylabel('损失函数') legend('训练集损失值') title ('训练集损失函数曲线') xlim([1, length(loss)]) grid %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', 'PSO-DBN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 plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值', 'PSO-DBN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 %% 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