分类预测 | Matlab实现POA-CNN-SVM鹈鹕算法优化卷积神经网络结合支持向量机多特征分类预测
请尊重原创劳动成果
转载请注明本文链接
及文章作者：机器学习之心
预测效果
使用教程
1 基本介绍
1.Matlab实现POA-CNN-SVM鹈鹕算法优化卷积神经网络结合支持向量机多特征分类预测（完整源码和数据)
2.优化参数为：学习率，批量处理大小，正则化参数。
3.图很多，包括分类效果图，迭代优化图，混淆矩阵图。
4．附赠案例数据可直接运行main一键出图～
注意程序和数据放在一个文件夹，运行环境为Matlab2020及以上。
5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
6.输入多个特征，分四类。
2 网络结构
设置网络参数
%% 数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test = mapminmax('apply', P_test, ps_input );t_train = T_train;t_test = T_test ;%% 优化算法参数设置SearchAgents_no = 8; % 数量Max_iteration = 5; % 最大迭代次数%% 建立模型lgraph = layerGraph(); % 建立空白网络结构tempLayers = [sequenceInputLayer([num_dim, 1, 1], "Name", "sequence") % 建立输入层，输入数据结构为[num_dim, 1, 1]sequenceFoldingLayer("Name", "seqfold")]; % 建立序列折叠层lgraph = addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers = [convolution2dLayer([3, 1], 16, "Name", "conv_1", "Padding", "same") % 建立卷积层,卷积核大小[3, 1]，16个特征图reluLayer("Name", "relu_1") % Relu 激活层lgraph = addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers = [sequenceUnfoldingLayer("Name", "sequnfold") softmaxLayer("Name", "softmax") % softmax激活层classificationLayer("Name", "classification")]; % 分类层lgraph = addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中lgraph = connectLayers(lgraph, "seqfold/out", "conv_1"); % 折叠层输出 连接 卷积层输入lgraph = connectLayers(lgraph, "seqfold/miniBatchSize", "sequnfold/miniBatchSize");% 折叠层输出连接反折叠层输入lgraph = connectLayers(lgraph, "relu_2", "sequnfold/in"); % 激活层输出 连接 反折叠层输入%% 参数设置options = trainingOptions('adam', ... % Adam 梯度下降算法'MaxEpochs', 500,... % 最大训练次数'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', 0.1,... % 学习率下降因子 0.1'LearnRateDropPeriod', 400,... % 经过训练后 学习率为 0.001*0.1'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net = trainNetwork(p_train, t_train, lgraph, options);%% 数据反归一化T_sim1 = vec2ind(t_sim1);T_sim2 = vec2ind(t_sim2);%% 性能评价error1 = sum((T_sim1 == T_train)) / M * 100 ;error2 = sum((T_sim2 == T_test )) / N * 100 ;%% 绘图figureplot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)legend('真实值', '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)gridfigureplot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)legend('真实值', '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)grid
完整代码
注意：
class
% @author : 机器学习之心
% 完整代码：https://mbd.pub/o/bread/mbd-Z5ialZZu
% @author : 机器学习之心end
完
属实不易，如果有用请留个赞叭~
未经允许本代码请勿作商业用途！！！
