粒子群算法(PSO)优化卷积神经网络CNN分类预测，PSO-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

%% 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: end-1)'; T_train = res(1: 250, end)'; M = size(P_train, 2); P_test = res(251: end, 1: end-1)'; T_test = res(251: end, end )'; 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)); %% 优化函数 fobj = @(x)fical(x); %% 优化算法参数设置 pop = 6; % 数量 Max_iter = 5; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [1e-5, 16, 1e-4]; % 参数取值下界(学习率，批大小，正则化系数) ub = [1e-2, 64, 1e-2]; % 参数取值上界(学习率，批大小，正则化系数) %% 优化 [Best_score,Best_pos, curve] = PSO(pop, Max_iter, lb, ub, dim, fobj); %% 记录最佳参数 Best_pos(2)=round(Best_pos(2)); best_lr = Best_pos(1, 1); best_MiniBatchSize = Best_pos(1, 2); best_l2 = Best_pos(1, 3); %% 构造网络结构 layers = [ imageInputLayer([num_dim, 1, 1]) % 输入层 convolution2dLayer([3, 1], 16) % 卷积核大小为3*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([3, 1], 32) % 卷积核大小为3*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 %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 100, ... % 最大训练次数 500 'MiniBatchSize',best_MiniBatchSize, ...%批大小，每次调整参数前所选取的样本数量 'InitialLearnRate', best_lr, ... % 初始学习率为0.001 'L2Regularization', best_l2, ... % L2正则化参数 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.2, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 80, ... % 经过450次训练后 学习率为 0.001 * 0.5 '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); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 预测模型 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 反归一化 T_sim1 = vec2ind(t_sim1'); T_sim2 = vec2ind(t_sim2'); %% 数据排序 [T_train, index_1] = sort(T_train); [T_test , index_2] = sort(T_test ); T_sim1 = T_sim1(index_1); T_sim2 = T_sim2(index_2); %% 性能评价 error1 = sum((T_sim1 == T_train)) / M * 100 ; error2 = sum((T_sim2 == T_test )) / N * 100 ; %% 绘制网络分析图 analyzeNetwork(layers) %% 绘图 figure(1) plot(1 : length(curve), curve,'linewidth',1.5); title('PSO-CNN', 'FontSize', 10); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值', 'FontSize', 10); grid off figure plot(1: M, T_train, 'r*', 1: M, T_sim1, 'bo', 'LineWidth', 1) legend('真实值', 'PSO-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', 'PSO-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';