基于卷积神经网络-支持向量机(CNN-SVM)分类预测(Matlab完整源码和数据）

%% 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 %% 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_dim = size(res, 2) - 1; % 特征维度 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 = 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, num_dim, 1, 1, M)); p_test = double(reshape(P_test , num_dim, 1, 1, N)); %% 构造网络结构 layers = [ imageInputLayer([num_dim, 1, 1], "Name", "Input") % 输入层 convolution2dLayer([2, 1], 16, "Name", "Conv1") % 卷积核大小为2*1 生成16个卷积 batchNormalizationLayer("Name", "BN1") % 批归一化层 reluLayer("Name", "Relu1") % relu激活层 maxPooling2dLayer([2, 1], 'Stride', 1, "Name", "pool_1") % 最大池化层 大小为2*1 步长为2 convolution2dLayer([2, 1], 32, "Name", "Conv2") % 卷积核大小为2*1 生成32个卷积 batchNormalizationLayer("Name", "BN2") % 批归一化层 reluLayer("Name", "Relu2") % relu激活层 maxPooling2dLayer([2, 1], 'Stride', 1, "Name", "pool_2") % 最大池化层，大小为2*2，步长为2 fullyConnectedLayer(num_class, "Name", "full_1") % 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', 500,... % 最大训练次数 500 'InitialLearnRate', 1e-3,... % 初始学习率为0.001 'L2Regularization', 1e-04,... % 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', 450,... % 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 net = trainNetwork(p_train, t_train, layers, options); %% 提取特征 layer = 'pool_2'; p_train = activations(net, p_train, layer, 'OutputAs', 'rows'); p_test = activations(net, p_test , layer, 'OutputAs', 'rows'); %% 类型转换 p_train = double(p_train); p_test = double(p_test); t_train = double(t_train); t_test = double(t_test); %% 创建模型 model = fitcecoc(p_train, t_train,... 'OptimizeHyperparameters', 'auto',... % 自动优化参数 {BoxConstraint, KernelScale} 'HyperparameterOptimizationOptions',... % 自动优化参数选项 struct('ShowPlots', false)); % 关掉图形显示 %% 仿真测试 T_sim1 = predict(model, p_train); T_sim2 = predict(model, p_test); %% 性能评价 error1 = sum((T_sim1' == T_train))/M * 100 ; error2 = sum((T_sim2' == T_test)) /N * 100 ; %% 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) 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) 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