【MATLAB第46期】基于MATLAB的改进模糊卷积神经网络IFCNN多分类预测模型
一、展示效果
二、思路
在正常CNN卷积神经网络训练阶段之后,使用进化算法(蜜蜂算法)拟合深度学习权重和偏差。
本文案例数据中, 用深度模型进行4分类预测。
- 先在 CNN 训练之后,为每个类别权重创建初始模糊模型
- 然后提取全连接层的权重进行进化寻优,并替换初始权重
- 最后,优化后的权重(来自全连接层)建立模型。
数据情况:文章来源:https://www.toymoban.com/news/detail-505364.html
%% 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));
三、CNN结构参数
%% 构造网络结构
layers = [
imageInputLayer([12, 1, 1]) % 输入层
convolution2dLayer([2, 1], 16) % 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', 1) % 最大池化层 大小为2*1 步长为2
convolution2dLayer([2, 1], 32) % 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
maxPooling2dLayer([2, 1], 'Stride', 1) % 最大池化层,大小为2*2,步长为2
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-04, ... % L2正则化参数
'LearnRateSchedule', 'piecewise', ... % 学习率下降
'LearnRateDropFactor', 0.5, ... % 学习率下降因子 0.1
'LearnRateDropPeriod', 450, ... % 经过450次训练后 学习率为 0.001 * 0.5
'Shuffle', 'every-epoch', ... % 每次训练打乱数据集
'ValidationPatience', Inf, ... % 关闭验证
'Plots', 'none', ... % 画出曲线
'Verbose', 1);
四、IFCNN结构参数
Params.MaxIt=20;%进化算法迭代次数
Params.nScoutBee = 10;%进化算法种群数量
% 训练模型
[net,info] = trainNetwork(p_train, t_train, layers, options);
% 提取全连接层的权重进行进化
FullConn=netobj.Layers(10, 1).Weights;
netbias=netobj.Layers(10, 1).Bias;
%% 为每个类权重制作基本模糊模型
% 模糊 C 均值 (FCM) 簇数
ClusNum=3;
% 为每个类别权重创建初始模糊模型
for i=1:sizefinal
fism{i}=GenerateFuzzy(datam{i},ClusNum);
end
%% 训练输出提取
for i=1:sizefinal
TrTar{i}=datam{i}.TrainTargets;
TrInp{i}=datam{i}.TrainInputs;
TrainOutputs{i}=evalfis(TrInp{i},BeesFISm{i});
end;
% 将输出单元格转换为矩阵
for i=1:sizefinal
EvolvedFullConn(i,:)=TrainOutputs{i}';
end;
%% 替换进化的权重
netobj.Layers(10, 1).Weights=EvolvedFullConn;
% 新网络
net2=netobj.Layers;
五、代码获取
后台私信回复“45期”获取下载链接。文章来源地址https://www.toymoban.com/news/detail-505364.html
到了这里,关于【MATLAB第46期】基于MATLAB的改进模糊卷积神经网络IFCNN分类预测模型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!