%% 初始化
clear
close all
clc
warning off
% 数据读取
addpath(genpath(pwd));
load ('data.mat') %加载处理好的特征数据
data = vmddata;
% 数据载入
bv = 120; %每种状态数据有120组
% 加标签值
hhh = size(data,2);
for i=1:size(data,1)/bv
data(1+bv*(i-1):bv*i,hhh+1)=i;
end
input=data(:,1:hhh);
output =data(:,end);
jg = bv; %每组120个样本
tn = 90; %选前tn个样本进行训练
input_train = []; output_train = [];
input_test = []; output_test = [];
for i = 1:max(data(:,end))
input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)];
output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)];
input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)];
output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)];
end
input_train = input_train';
input_test = input_test';
%归一化
[inputn_train,inputps]=mapminmax(input_train);
[inputn_test,inputtestps]=mapminmax('apply',input_test,inputps);
output_train = categorical(output_train);
output_test = categorical(output_test);
for i = 1:size(input_train,2)
Train_xNorm{i,:} = reshape(inputn_train(:,i),hhh,1,1);
Train_yNorm{i,:} = output_train(i);
end
for i = 1:size(input_test,2)
Test_xNorm{i,:} = reshape(inputn_test(:,i),hhh,1,1);
Test_yNorm{i,:} = output_test(i);
end
numFeatures = size(input,2);
numHiddens = 120;
numClasses = 10;
layers0 = [ ...
sequenceInputLayer([numFeatures,1,1],'name','input') %输入层设置
sequenceFoldingLayer('name','fold') %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。
convolution2dLayer([6,1],8,'Stride',[1,1],'name','conv1') %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长
batchNormalizationLayer('name','batchnorm1') % BN层，用于加速训练过程，防止梯度消失或梯度爆炸
reluLayer('name','relu1') % ReLU激活层，用于保持输出的非线性性及修正梯度的问题
maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool') % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式
sequenceUnfoldingLayer('name','unfold') %独立的卷积运行结束后，要将序列恢复
flattenLayer('name','flatten')
gruLayer(30,'Outputmode','last','name','hidden1')
dropoutLayer(0.2,'name','dropout_1') % Dropout层，以概率为0.2丢弃输入
fullyConnectedLayer(numClasses,'name','fullconnect') % 全连接层设置（影响输出维度）（cell层出来的输出层） %
selfAttentionLayer(1,50) %创建一个单头，50个键和查询通道的自注意力层
softmaxLayer('Name','softmax')
classificationLayer('name','output')];
lgraph0 = layerGraph(layers0);
lgraph0 = connectLayers(lgraph0,'fold/miniBatchSize','unfold/miniBatchSize');
%% Set the hyper parameters for unet training
options0 = trainingOptions('adam', ... % 优化算法Adam
'MaxEpochs', 150, ... % 最大训练次数
'GradientThreshold', 1, ... % 梯度阈值
'InitialLearnRate', 0.01, ... % 初始学习率
'LearnRateSchedule', 'piecewise', ... % 学习率调整
'LearnRateDropPeriod',100, ... % 训练100次后开始调整学习率
'LearnRateDropFactor',0.01, ... % 学习率调整因子
'L2Regularization', 0.001, ... % 正则化参数
'ExecutionEnvironment', 'cpu',... % 训练环境
'Verbose', 1, ... % 关闭优化过程
'Plots', 'none'); % 画出曲线
% % start training
t0 = tic; %开始计时
net = trainNetwork(Train_xNorm,output_train, lgraph0,options0 );
toc(t0); % 从t0开始到此处的执行时间
%% Accuracy assessment
pred = classify(net, Test_xNorm);
accuracy=sum(output_test==pred)/length(pred); %计算预测的确率
% 标准gru作图
% 画方框图
figure('Position',[10,50,800,600])
set(gca,'looseInset',[0 0 0 0])
confMat = confusionmat(output_test,pred); %output_test是真实值标签
zjyanseplotConfMat(confMat.');
xlabel('Predicted label')
ylabel('Real label')
title(['CNN-gru-Attention的测试集正确率 = ',num2str(accuracy*100),' %'])
% 作图
figure('Position',[50,50,800,600])
set(gca,'looseInset',[0 0 0 0])
plot(1:length(pred),pred,'p-','Color',[0.9290 0.6940 0.1250],'LineWidth',1)
hold on
plot(1:length(pred),output_test,'*-','Color',[0 0.4470 0.7410])
legend('预测类别','真实类别','NorthWest')
title(['CNN-gru-Attention的测试集正确率 = ',num2str(accuracy*100),' %'])
xlabel('预测样本编号')
ylabel('分类结果')
box on
set(gca,'fontsize',12)
