基于粒子群算法优化卷积神经网络分类预测，PSO-CNN分类预测（Matlab完整源码和数据)

%% 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 %% 读取数据 res = xlsread('data.xlsx'); %% 分析数据 num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别） num_dim = size(res, 2) - 1; % 特征维度 num_res = size(res, 1); % 样本数（每一行，是一个样本） num_size = 0.7; % 训练集占数据集的比例 res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行） flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上） %% 设置变量存储数据 P_train = []; P_test = []; T_train = []; T_test = []; %% 划分数据集 for i = 1 : num_class mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本 mid_size = size(mid_res, 1); % 得到不同类别样本个数 mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数 P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入 T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出 P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入 T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出 end %% 数据转置 P_train = P_train'; P_test = P_test'; T_train = T_train'; T_test = T_test'; %% 得到训练集和测试样本个数 M = size(P_train, 2); 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, num_dim, 1, 1, M)); p_test = double(reshape(P_test , num_dim, 1, 1, N)); %% 优化算法参数设置 SearchAgents_no = 3; % 数量 Max_iteration = 5; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [1e-3,20 1e-4]; % 参数取值下界(学习率，批处理，正则化系数) ub = [1e-2,30,1e-2]; % 参数取值上界(学习率，批处理，正则化系数) fitness = @(x)fical(x,num_dim,num_class,p_train,t_train,T_train); [Best_score,Best_pos,curve]=PSO(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness); Best_pos(1, 2) = round(Best_pos(1, 2)); best_hd = Best_pos(1, 2); % 最佳批处理 best_lr= Best_pos(1, 1);% 最佳初始学习率 best_l2 = Best_pos(1, 3);% 最佳L2正则化系数 %% 建立模型 lgraph = [ imageInputLayer([num_dim, 1, 1]) % 输入层 输入数据规模[num_dim, 1, 1] convolution2dLayer([1, 1], 16) % 卷积核大小 3*1 生成16张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 convolution2dLayer([1, 1], 32) % 卷积核大小 3*1 生成32张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 dropoutLayer(0.2) % Dropout层 fullyConnectedLayer(num_class, "Name", "fc") % 全连接层 softmaxLayer("Name", "softmax") % softmax激活层 classificationLayer("Name", "classification")]; % 分类层 %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 10,... % 最大训练次数 'MiniBatchSize',best_hd, ... '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800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 net = trainNetwork(p_train, t_train, lgraph, options); %% 预测 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 ; figure plot(curve, 'linewidth',1.5); title('PSO') xlabel('The number of iterations') ylabel('Fitness') %% 绘图 figure(1) plot(1: M, T_train, 'k-o', 1: M, T_sim1, 'r-+', 'LineWidth', 1) legend('真实值', 'PSO-CNN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) grid set(gcf,'color','w') figure(2) plot(1: N, T_test, 'k-o', 1: N, T_sim2, 'r-+', 'LineWidth', 1) legend('真实值', 'PSO-CNN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 set(gcf,'color','w') %% 混淆矩阵 if flag_conusion == 1 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'; end