卷积神经网络CNN故障分类，振动信号故障分类（代码完整，数据齐全）

%%清空内存和数据项 clc clear %%导入数据 data1=xlsread('振动信号特征值.xlsx');%从Excel导入数据 for a=1:length(data1(:,1)) %将数据打乱 A=randperm(length(data1(:,1))); data2(a,:)=data1(A(a),:); end %data=data2(:,34:38); data=[data2(:,1:18),data2(:,end)]; [m,n]=size(data);%m和n表示输入数据的样本数量和样本维度 %%数据归一化 mm=mean(data);%取平均值 for j=1:n-1 %进行n-1次循环，对第j组特征值进行归一化 data(:,j)=data(:,j)-mm(j);%取算数误差 ml(j)=std(data(:,j)); %取第j组数据的标准差：方差的算术平方根 data(:,j)=data(:,j)/ml(j);%第j组数据的算术误差与其标准差的比值即为归一化后的数据 end data=data(:,:);%将各组归一化后的数据整合 %%数据划分 前百分之七十是训练样本 train_num=round(0.7*m);%取前百分之七十作为训练样本 d_train=data(1:train_num,1:n-1);%训练样本输入为前70%的前15列 l_train=data(1:train_num,n);%训练样本期望输出为前70%的最后一列 d_test=data(train_num+1:end,1:n-1);%测试样本输入为后30%的前15列 l_test=data(train_num+1:end,n);%测试样本期望输出为后30%的最后一列 %%数据转置，便于与权值向量相乘 d=d_train';%转置 l=l_train'; dt=d_test'; lt=l_test'; %%网络构建 train_num=round(0.7*m);%训练样本数量 test_num=round(0.3*m);%测试样本数量 input_num=n-1;%输入变量数量，即输入层神经元数量 output_num=1;%输出变量数量，即输出层神经元数量 Neurons_num=19;%隐藏层神经元数量,根据公式n1=(输入神经元+输出神经元)^(1/2)+a（1到10之间的数),在这里a取5 %%网络参数设置 M=50000;%最大迭代次数 r=0.01;%学习率 err=0.01;%目标误差 Obj_save=zeros(1,M);%记录误差 %%权值阈值设置 w=rand(Neurons_num,input_num);%输入层与隐藏层之间的权值 b=rand(Neurons_num,1);%输入层与隐藏层之间的阈值 W=rand(output_num,Neurons_num);%隐藏层与输出层之间的权值 B=rand(output_num,1);%隐藏层与输出层之间的阈值 %%训练网络 for i=1:M%迭代循环 %误差前向传播 %隐藏层和输出层神经元采用sigomd激活函数 y=w*d+repmat(b,1,train_num);%前向传播:输入层到隐藏层 y1=logsig(y);%隐藏层输出 z=W*y1+repmat(B,1,train_num);%前向传播：隐藏层到输出层 z1=logsig(z);%输出层输出 Obj=z1-l;%实际输出与期望输出的误差 errt=sumsqr(Obj);%求误差的平方 Obj_save(i)=errt;%记录每次迭代的误差平方 %如果误差小于目标误差，则循环结束 if abs(Obj)<=err break; end %误差反向传播——梯度下降法 %梯度 c_W=2*(z1-l).*z1.*(1-z1)*y1' ;%隐藏层与输出层之间的权值梯度 c_B=2*(z1-l).*z1.*(1-z1)*ones(train_num,1);%隐藏层与输出层之间的阈值梯度 c_w=2*(z1-l).*z1.*(1-z1).*y1.*(1-y1).*W'*d';%输入层与隐藏层之间的权值梯度 c_b=2*(z1-l).*z1.*(1-z1).*y1.*(1-y1).*W'*ones(train_num,1);%输入层与隐藏层之间的阈值梯度 %权值和阈值修正 W=W-r*c_W;%隐藏层与输出层之间的权值调整 B=B-r*c_B;%隐藏层与输出层之间的阈值调整 w=w-r*c_w;%输入层与隐藏层之间的权值调整 b=b-r*c_b;%输入层与隐藏层之间的阈值调整 end %%测试数据进行测试 y1_test=logsig(w*dt+repmat(b,1,test_num));%前向传播：输入层到隐藏层 z1_test=logsig(W*y1_test+repmat(B,1,test_num));%前向传播：隐藏层到输出层 %%对实际输出取整 for j=1:length(lt) if abs(z1_test(:,j)-0.125)<0.0625 z1_test(:,j)=0.125; elseif abs(z1_test(:,j)-0.25)<0.0625 z1_test(:,j)=0.25; elseif abs(z1_test(:,j)-0.375)<0.0625 z1_test(:,j)=0.375; elseif abs(z1_test(:,j)-0.5)<0.0625 z1_test(:,j)=0.5; elseif abs(z1_test(:,j)-0.625)<0.0625 z1_test(:,j)=0.625; elseif abs(z1_test(:,j)-0.75)<0.0625 z1_test(:,j)=0.75; else z1_test(:,j)=0.875; end end for k=1:length(l) if abs(z1(:,k)-0.125)<0.0625 z1(:,k)=0.125; elseif abs(z1(:,k)-0.25)<0.0625 z1(:,k)=0.25; elseif abs(z1(:,k)-0.375)<0.0625 z1(:,k)=0.375; elseif abs(z1(:,k)-0.5)<0.0625 z1(:,k)=0.5; elseif abs(z1(:,k)-0.625)<0.0625 z1(:,k)=0.625; elseif abs(z1(:,k)-0.75)<0.0625 z1(:,k)=0.75; else z1(:,k)=0.875; end end %%绘图对比 figure %绘图 plot(lt,'r*-') %绘制预测值曲线 hold on %继续绘图 plot(z1_test,'bo') %实际值曲线 legend('预测值','实际值') %图例 grid on xlabel('样本编号') ylabel('输出') string_1 = {'测试集预测结果对比'; }; title(string_1) disp(['测试集准确率:' num2str(sum(z1_test==lt)/length(lt)*100) '%']) figure %绘图 plot(l,'r*-') %绘制预测值曲线 hold on %继续绘图 plot(z1,'bo') %实际值曲线 legend('预测值','实际值') %图例 grid on xlabel('样本编号') ylabel('输出') string_1 = {'训练集预测结果对比'; }; title(string_1) disp(['训练集准确率:' num2str(sum(z1==l)/length(l)*100) '%']) figure plot(Obj_save)