代码原理
基于CNN-RVM的数据回归预测主要涉及两个核心部分：卷积神经网络（CNN）和相关向量机（RVM）。下面是一个简单的原理及流程描述：
卷积神经网络（CNN）部分
（1）输入数据：将数据集（例如图像、时间序列等）作为输入。
（2） 卷积层：通过多个卷积层提取数据的局部特征，每个卷积层会应用不同的滤波器，以捕捉不同的特征。
（3）池化层：通过池化层（如最大池化或平均池化）减少数据的维度，同时保留重要特征，减少计算量。
（4）全连接层：经过多个卷积和池化层后，数据被展平并传递到全连接层，用于特征的综合和分类/回归任务。
相关向量机（RVM）部分
（1） 特征提取：将从CNN提取到的特征作为输入，传递给RVM。
（2）模型训练：RVM通过贝叶斯推断，选择一组相关向量，并用这些向量来构建回归模型。
（3）预测输出：训练好的RVM模型对输入特征进行回归预测，输出结果。
流程总结
（1）数据预处理：准备好输入数据，并进行必要的预处理（如归一化、数据增强等）。
（2）CNN特征提取：
① 输入数据通过多个卷积层和池化层，提取到有意义的特征;
② 最后通过全连接层将特征进行综合处理，形成一个特征向量。
（3）RVM回归预测：
① 将CNN输出的特征向量作为RVM的输入。
② 通过RVM训练模型，选出最有用的相关向量，构建回归模型。
③ 使用训练好的RVM模型进行回归预测，得到最终的预测结果。
这个流程结合了CNN强大的特征提取能力和RVM精确的回归预测能力，在处理复杂数据集时具有很好的表现。
部分代码
%% 清空环境变量warning off % 关闭开启的图窗clear % 清空变量clcaddpath(genpath(pwd))%% 导入数据data = readmatrix('回归数据集.xlsx');data = data(:,1:14);res=data(randperm(size(data,1)),:); %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果。num_samples = size(res,1); %样本个数% 训练集和测试集划分outdim = 1; % 最后一列为输出num_size = 0.7; % 训练集占数据集比例num_train_s = round(num_size * num_samples); % 训练集样本个数f_ = size(res, 2) - outdim; % 输入特征维度P_train = res(1: num_train_s, 1: f_)';T_train = res(1: num_train_s, f_ + 1: end)';M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';T_test = res(num_train_s + 1: end, f_ + 1: end)';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, ps_output] = mapminmax(T_train, 0, 1);t_test = mapminmax('apply', T_test, ps_output);%% 数据平铺trainD = double(reshape(p_train,size(p_train,1),1,1,size(p_train,2)));testD = double(reshape(p_test,size(p_test,1),1,1,size(p_test,2)));targetD = t_train;targetD_test = t_test;% 创建CNN-RVM网络，layers = [imageInputLayer([size(p_train,1) 1 1], "Name","sequence")convolution2dLayer([3,1],16,'Padding','same') % 卷积核大小为3*1 生成16个卷积batchNormalizationLayer % 批归一化层reluLayer %relu激活函数maxPooling2dLayer([2 1],'Stride',1, "Name", "pool1") % 最大池化层 大小为3*1 步长为1convolution2dLayer([2 1], 32, "Name", "conv_2") % 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, "Name", "pool2") % 最大池化层 大小为2*2 步长为2fullyConnectedLayer(25) % 全连接层神经元reluLayer %relu激活函数fullyConnectedLayer(1) % 输出层神经元regressionLayer];%添加回归层，用于计算损失值% 参数设置options = trainingOptions('adam', ... % 优化算法Adam'MaxEpochs', 150, ... % 最大训练次数'GradientThreshold', 1, ... % 梯度阈值'InitialLearnRate', 0.01, ... % 初始学习率'LearnRateSchedule', 'piecewise', ... % 学习率调整'LearnRateDropPeriod', 100, ... % 训练850次后开始调整学习率'LearnRateDropFactor',0.1, ... % 学习率调整因子'L2Regularization', 0.001, ... % 正则化参数'ExecutionEnvironment', 'cpu',... % 训练环境'Verbose', 0, ... % 关闭优化过程'Plots', 'training-progress'); % 画出曲线
