%% 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, 128, 1e-4]; % 参数取值下界(学习率，批大小，正则化系数)
ub = [1e-2, 512, 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] = POA(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('POA-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', 'POA-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', 'POA-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';
