【CNN分类】基于卷积神经网络的数据分类附matlab代码

%%  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res = xlsread('数据集.xlsx');%%  划分训练集和测试集temp = randperm(357);P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';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, 12, 1, 1, M));p_test  =  double(reshape(P_test , 12, 1, 1, N));%%  构造网络结构layers = [ imageInputLayer([12, 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', 500, ...                  % 最大训练次数 500    'InitialLearnRate', 1e-3, ...          % 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)xlim([1, M])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)xlim([1, N])grid%%  混淆矩阵figurecm = confusionchart(T_train, T_sim1);cm.Title = 'Confusion Matrix for Train Data';cm.ColumnSummary = 'column-normalized';cm.RowSummary = 'row-normalized';    figurecm = confusionchart(T_test, T_sim2);cm.Title = 'Confusion Matrix for Test Data';cm.ColumnSummary = 'column-normalized';cm.RowSummary = 'row-normalized';