%% 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
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
卷积神经网络-支持向量机(CNN-SVM)分类预测,matlab代码,要求2019及以上版本。(Matlab完整源码和数据) 卷积神经网络-支持向量机(CNN-SVM)分类预测,matlab代码,要求2019及以上版本。(Matlab完整源码和数据) 卷积神经网络-支持向量机(CNN-SVM)分类预测,matlab代码,要求2019及以上版本。(Matlab完整源码和数据)
资源推荐
资源详情
资源评论
收起资源包目录
基于卷积神经网络-支持向量机的数据分类预测.zip (2个子文件)
基于卷积神经网络-支持向量机的数据分类预测
main.m 5KB
数据集.xlsx 73KB
共 2 条
- 1
资源评论
- z157251138172023-07-13感谢资源主的分享,很值得参考学习,资源价值较高,支持!
- srzhangwhueducn2023-05-20资源很赞,希望多一些这类资源。
- maomaoheyangyong2023-11-04资源不错,很实用,内容全面,介绍详细,很好用,谢谢分享。
- 踌躇满志7082023-12-08果断支持这个资源,资源解决了当前遇到的问题,给了新的灵感,感谢分享~
前程算法屋
- 粉丝: 4159
- 资源: 711
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功