CNN神经网络一维数据预测和二维图片分类

clc;clear;close all % https://blog.csdn.net/qq_41043389/article/details/109554411 % 创建数据 [data,text] = xlsread('yangzheng', '数据', 'B2:IV51'); input=data(:,2:255)'; %载入输入数据 output=data(:,1)'; %载入输出数据 m=10; n=40; train_x=input(:,1:n); train_y=output(:,1:n); test_x=input(:,n+1:end); test_y=output(:,n+1:end); method=@mapminmax; % method=@mapstd; [train_x,train_ps]=method(train_x); test_x=method('apply',test_x,train_ps); [train_y,output_ps]=method(train_y); test_y=method('apply',test_y,output_ps); trainD=reshape(train_x,[254,1,1,n]);%训练集输入 testD=reshape(test_x,[254,1,1,m]);%测试集输入 targetD = train_y;%训练集输出 targetD_test = test_y;%测试集输出 % 输入254*1经过池化降维127*1、输出1 % 128 = （127+1）*1 layers = [ % 输入层，要正确输入图片的height, width 和 number of channels of the images % 输入254*1的1维数据 imageInputLayer([254 1 1]) %输入层参数设置 254 % batchNormalizationLayer(); % 批量归一化 % 16个3*1大小的卷积核、填补方式用0 % 16个254*1 convolution2dLayer([3,1],16,'Padding','same') reluLayer%relu激活函数 % 2*1最大池化、步长2 % 16个127*1 maxPooling2dLayer([2 1],'Stride',2)% 2x1 kernel stride=2 % 其他个数也可以，只是前人实验出来觉得此处为1024比较合适 fullyConnectedLayer(1024) % 全连接层神经元 reluLayer%relu激活函数 fullyConnectedLayer(1024) fullyConnectedLayer(1) % 输出层神经元 1 regressionLayer];%添加回归层，用于计算损失值 % 设置迭代次数 batchsize 学习率 options = trainingOptions('adam', ... 'MaxEpochs',20, ... 'MiniBatchSize',16, ... 'InitialLearnRate',0.005, ... 'GradientThreshold',1, ... 'Verbose',false,... 'Plots','training-progress',... 'ValidationData',{testD,targetD_test'}); % 输入数据都是最后一维为样本数，偏偏输出要第一维为样本数，所以targetD和targetD_test都取了转置 % 训练 net = trainNetwork(trainD,targetD',layers,options); % 预测 YPredict = predict(net,testD); % 结果 YPredict=double(YPredict');%输出是n*1的single型数据，要转换为1*n的double是数据形式 % 反归一化 predict_value=method('reverse',YPredict,output_ps);predict_value=double(predict_value); true_value=method('reverse',targetD_test,output_ps);true_value=double(true_value); figure plot(true_value,'-*','linewidth',3) hold on plot(predict_value,'-s','linewidth',3) legend('实际值','预测值') grid on rmse=sqrt(mean((true_value-predict_value).^2)); disp(['根均方差(RMSE)：',num2str(rmse)]) mae=mean(abs(true_value-predict_value)); disp(['平均绝对误差（MAE）：',num2str(mae)]) mape=mean(abs((true_value-predict_value)./true_value)); disp(['平均相对百分误差（MAPE）：',num2str(mape*100),'%']) % 错误如下： % 错误使用 nnet.cnn.layer.Convolution2DLayer.parseInputArguments (line 253) % 'Padding' 的值无效。它必须满足函数: iIsNaturalNumberScalarOrRowVectorOfTwo。 % % 出错 convolution2dLayer (line 73) % args = nnet.cnn.layer.Convolution2DLayer.parseInputArguments(varargin{:}); % % 出错 CNNi784o1 (line 34) % convolution2dLayer([3,1],16,'Padding','same')%卷积层的核大小[3 1],因为我们的输入是[254 1],是一维的数 % 据，所以卷积核第二个参数为1就行了，这样就是1d卷积 % 解决错误 % Matlab版本问题（Matlab2018及以上版本）