%% 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
%% 导入数据
data= xlsread('数据集.xlsx');
res=[];
for i=1:size(data,2)
res1=gaf(data(:,i));
res=[res res1];
end
res(:,end)=data(:,end);
%% 划分训练集和测试集
temp = randperm(357);
[MM,NN]=size(res);
P_train = res(temp(1: 357), 1: NN-1)';
T_train = res(temp(1: 357), NN)';
M = size(P_train, 2);
P_test = res(temp(301: end), 1:NN-1)';
T_test = res(temp(301: end), NN)';
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, NN-1, 1, 1, M));
p_test = double(reshape(P_test , NN-1, 1, 1, N));
%% 构造网络结构
layers = [
imageInputLayer([NN-1, 1, 1]) % 输入层
convolution2dLayer([2, 1], 16, 'Padding', 'same') % 卷积核大小为 2*1 生成16个卷积
batchNormalizationLayer % 批归一化层
reluLayer % relu 激活层
maxPooling2dLayer([2, 1], 'Stride', [2, 1]) % 最大池化层 大小为 2*1 步长为 [2, 1]
convolution2dLayer([2, 1], 32, 'Padding', 'same') % 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
fullyConnectedLayer(4) % 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', 200, ... % 最大训练次数 500
'InitialLearnRate', 1e-4, ... % 初始学习率为 0.001
'L2Regularization', 1e-4, ... % 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450次训练后 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');
%% 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)
%% 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);
%% 绘图
figure
plot(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)
xlim([1, M])
grid
figure
plot(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)
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';


Matlab领域
- 粉丝: 3w+
最新资源
- 企业数据资产化221个词频统计(1999-2023年)
- 基于Android Studio开发的小型通讯录应用
- 人工智能DeepSeek本地部署指南:大语言模型环境搭建与优化
- DeepSeek从入门到精通.docx
- DeepSeek提示词设计指南:从基础结构到实战技巧的全面解析
- 人工智能DeepSeek各版本技术演进与优缺点分析:自然语言处理及推理能力提升历程 DeepSeek 系
- 摄影师分享交流社区(作业)
- 【PyCharm与DeepSeek集成】基于DeepSeek-V3模型的AI辅助编程系统配置及应用:从API Key创建到代码智能提示
- AI编程DeepSeek接入PyCharm实现高效AI编程:本地部署与官方接入详细教程
- YoloV8坦克目标检测(自建数据集)
- 【嵌入式系统】基于Ubuntu的嵌入式Linux环境配置:虚拟机安装与基础开发环境搭建指南
- 机器视觉VisionPro软件介绍与基础使用指南:视觉处理工具及示例应用详解
- 机器视觉VisionPro图像转换工具ImageConvertTool:实现RGB与灰度图互转及应用详解
- 机器视觉VisionPro BeadInspectTool详解:珠子路径缺陷检测与训练流程
- 机器视觉VisionPro PatInspect工具详解:图像特征比较与缺陷检测系统设计
- 机器视觉VisionPro极轴展开工具PolarUnwrapTool:图像处理与圆形特征展开应用详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈


