%% 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
data1= xlsread('DGAData1.xlsx');
% data1=fillmissing(data,"previous");
input =data1(:,1:end-1);
output=data1(:,end);
data2=log10(input);
data2(data2(:,1:5)==0)=0.001;
%% 分析数据
num_class = length(unique(data1(:, end))); % 类别数(Excel最后1列放类别)
num_dim = size(data1, 2)-1 ; % 特征维度
num_res = size(data1, 1); % 样本数(每一行,是一个样本)
flag_conusion = 1; % 标志位为1,打开混淆矩阵(要求2018版本及以上)
%% 划分训练集和测试集
n = randperm(size(data2,1));
% 2. 训练集――270个样本
P_train =data2(n(1:200),:)';
T_train =output(n(1:200),:)';
M = size(P_train, 2);
% 3. 测试集――111个样本
P_test=data2(n(201:end),:)';
T_test =output(n(201:end),:)';
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 )';
% % 打乱数据集(不打乱数据时,注释)
% RM=randperm(M);
% RN=randperm(N);
% P_train = P_train( :,RM);
% T_train = T_train( :,RM);
% P_test = P_test( :,RN);
% T_test = T_test( :,RN);
%% 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));
%% 构造网络结构
layers = [
imageInputLayer([num_dim, 1, 1], "Name", "Input") % 输入层
convolution2dLayer([2, 1], 16, "Name", "Conv1") % 卷积核大小为2*1 生成16个卷积
batchNormalizationLayer("Name", "BN1") % 批归一化层
reluLayer("Name", "Relu1") % relu激活层
maxPooling2dLayer([2, 1], 'Stride', 1, "Name", "pool_1") % 最大池化层 大小为2*1 步长为2
convolution2dLayer([2, 1], 32, "Name", "Conv2") % 卷积核大小为2*1 生成32个卷积
batchNormalizationLayer("Name", "BN2") % 批归一化层
reluLayer("Name", "Relu2") % relu激活层
maxPooling2dLayer([2, 1], 'Stride', 1, "Name", "pool_2") % 最大池化层,大小为2*2,步长为2
fullyConnectedLayer(num_class, "Name", "full_1") % 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', 100,... % 最大训练次数 500
'MiniBatchSize', 10,...
'InitialLearnRate', 1e-3,... % 初始学习率为0.001
'L2Regularization', 1e-04,... % 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', 450,... % 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
net = trainNetwork(p_train, t_train, layers, options);
%% 提取特征
layer = 'pool_2';
p_train = activations(net, p_train, layer, 'OutputAs', 'rows');
p_test = activations(net, p_test , layer, 'OutputAs', 'rows');
%% 类型转换
p_train = double(p_train); p_test = double(p_test);
t_train = double(t_train); t_test = double(t_test);
%% 创建模型
model = fitcecoc(p_train, t_train,...
'OptimizeHyperparameters', 'auto',... % 自动优化参数 {BoxConstraint, KernelScale}
'HyperparameterOptimizationOptions',... % 自动优化参数选项
struct('ShowPlots', false)); % 关掉图形显示
%% 仿真测试
T_sim1 = predict(model, p_train);
T_sim2 = predict(model, p_test);
%% 性能评价
error1 = sum((T_sim1' == T_train))/M * 100 ;
error2 = sum((T_sim2' == T_test)) /N * 100 ;
%% CNN-SVM数据输出
%% 训练误差集评价
disp('2DCNN-SVM训练ACC');
disp(error1)
%-------------------------------------------------------------------------------------
%% 测试集误差评价
disp('2DCNN-SVM测试ACC');
disp(error2)
%% 绘图
figure
plot(T_sim1,'o','Color',[255 0 255]./255,'linewidth',1,'Markersize',8,'MarkerFaceColor',[0 0 255]./255)
hold on
plot(T_train,'-+','Color',[0 0 0]./255,'linewidth',1,'Markersize',3,'MarkerFaceColor',[0 0 0]./255)
legend('2DCNN-SVM预测训练类别','实际分析类别','Location','NorthWest','FontName','华文宋体');
title(['2DCNN-SVM模型预测结果及真实值','准确率=' num2str(error1) '%'],'fontsize',12,'FontName','华文宋体')
xlabel('样本','fontsize',12,'FontName','华文宋体');
ylabel('类别','fontsize',12,'FontName','华文宋体');
axis tight
grid
figure()
plot(T_sim2,'o','Color',[0 0 255]./255,'linewidth',2,'Markersize',8,'MarkerFaceColor',[0 0 255]./255)
hold on
plot(T_test,'-+','Color',[0 0 0]./255,'linewidth',2,'Markersize',3,'MarkerFaceColor',[0 0 0]./255)
legend('2DCNN-SVM预测测试类别','实际分析类别','Location','NorthWest','FontName','华文宋体');
title(['2DCNN-SVM模型预测结果及真实值','准确率=' num2str(error2) '%'],'fontsize',12,'FontName','华文宋体')
xlabel('样本','fontsize',12,'FontName','华文宋体');
ylabel('类别','fontsize',12,'FontName','华文宋体');
axis tight
grid
%% 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
没有合适的资源?快使用搜索试试~ 我知道了~
【CNN-SVM回归预测】基于CNN-SVM实现数据回归预测附matlab代码.zip
共6个文件
png:4个
xlsx:1个
m:1个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 64 浏览量
2023-04-25
13:04:17
上传
评论 3
收藏 242KB ZIP 举报
温馨提示
1.版本:matlab2014/2019a/2021a,内含运行结果,不会运行可私信 2.领域:智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,更多内容可点击博主头像 3.内容:标题所示,对于介绍可点击主页搜索博客 4.适合人群:本科,硕士等教研学习使用 5.博客介绍:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可si信
资源推荐
资源详情
资源评论
收起资源包目录
【CNN-SVM回归预测】基于CNN-SVM实现数据回归预测附matlab代码.zip (6个子文件)
【CNN-SVM回归预测】基于CNN-SVM实现数据回归预测附matlab代码
3.png 76KB
DGAData1.xlsx 17KB
main.m 6KB
1.png 87KB
5.png 37KB
4.png 37KB
共 6 条
- 1
资源评论
- 永恒灬白羊2023-11-07资源内容详细全面,与描述一致,对我很有用,有一定的使用价值。
Matlab科研辅导帮
- 粉丝: 3w+
- 资源: 7814
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 上海牛津英语_高中一年级上_词汇提炼.doc
- 数学源于生活用于生活.doc
- 苏教版四年级(下册)按课文填空.doc
- 苏版四年级(上册)数学第四单元教学案.doc
- 我国农业银行笔试题目和答案.doc
- 网络安全知识试题库完整.doc
- 我国农业机械化的现状和发展趋势.doc
- 五年级解方程及应用题知识点及例题.doc
- 系学生会学习部申请书(精选多篇).doc
- 小学生科技活动辅导教学案.doc
- 小学数学课堂教学中小组合作学习的有效性.doc
- weixin411医疗就诊微信小程序设计与实现开发-0d26l+django .zip
- 学校团委书记竞聘演讲稿[精选多篇].doc
- 学校消防工作计划(精选多篇).doc
- 一级锅炉水处理试题和答案.doc
- 义务教育阶段双语教育新教双语教学质量评估自查自评报告.doc
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功