%% 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');
%% 划分训练集和测试集%
P_train = res(1: 250, 1: 12)';
T_train = res(1: 250, 13)';
M = size(P_train, 2);
P_test = res(251: end, 1: 12)';
T_test = res(251: end, 13)';
N = size(P_test, 2);
num_dim = size(P_train, 1); % 特征维度
num_class = length(unique(res(:, end))); % 类别数(Excel最后一列放类别) % 类别数(Excel最后一列放类别)
%% 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]) % 输入层
convolution2dLayer([2, 1], 16) % 卷积核大小为2*1 生成16个卷积
batchNormalizationLayer % 批归一化层
reluLayer % relu激活层
maxPooling2dLayer([2, 1], 'Stride', 1) % 最大池化层 大小为2*1 步长为2
convolution2dLayer([2, 1], 32) % 卷积核大小为2*1 生成32个卷积
batchNormalizationLayer % 批归一化层
reluLayer % relu激活层
maxPooling2dLayer([2, 1], 'Stride', 1) % 最大池化层,大小为2*2,步长为2
fullyConnectedLayer(num_class) % 全连接层(类别数)
softmaxLayer % 损失函数层
classificationLayer]; % 分类层
disp(['搜索:'])
disp(['https://mbd.pub/o/DDR1'])
figure
plot(1: M, T_train, 'r*', 1: M, T_sim1, 'bo', 'LineWidth', 1)
legend('真实值', 'CNN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)
xlim([1, M])
grid
figure
plot(1: N, T_test, 'r*', 1: N, T_sim2, 'bo', 'LineWidth', 1)
legend('真实值', 'CNN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)
xlim([1, N])
grid
%% 混淆矩阵
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';
没有合适的资源?快使用搜索试试~ 我知道了~
卷积神经网络CNN分类预测,多输入单输出模型 多特征输入单输出的二分类及多分类模型 程序内注释详细,直接替换数据就可以用
共4个文件
m:3个
xlsx:1个
需积分: 0 3 下载量 5 浏览量
2023-08-25
09:15:13
上传
评论
收藏 73KB ZIP 举报
温馨提示
卷积神经网络CNN分类预测,多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细,直接替换数据就可以用。 程序语言为matlab,程序可出分类效果图,迭代优化图,混淆矩阵图
资源推荐
资源详情
资源评论
收起资源包目录
1 CNN分类.zip (4个子文件)
fical.m 359B
initialization.m 450B
数据集.xlsx 73KB
CNN.m 3KB
共 4 条
- 1
资源评论
智能算法及其模型预测
- 粉丝: 1839
- 资源: 788
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