温州市网站优化,机械设备网站源码,房地产公司基本介绍,网站建设与网络编辑综合实训课程指导手册pdf一区向量加权算法优化INFO-CNN-SVM卷积神经网络结合支持向量机多特征分类预测 目录 一区向量加权算法优化INFO-CNN-SVM卷积神经网络结合支持向量机多特征分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述
1.Matlab实现INFO-CNN-SVM向量加权算法优化卷积神经网络结…一区向量加权算法优化INFO-CNN-SVM卷积神经网络结合支持向量机多特征分类预测 目录 一区向量加权算法优化INFO-CNN-SVM卷积神经网络结合支持向量机多特征分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述
1.Matlab实现INFO-CNN-SVM向量加权算法优化卷积神经网络结合支持向量机多特征分类预测完整源码和数据)
2.优化参数为学习率批量处理大小正则化参数。
3.图很多包括分类效果图迭代优化图混淆矩阵图。
4附赠案例数据可直接运行main一键出图注意程序和数据放在一个文件夹运行环境为Matlab2020及以上。
5.代码特点参数化编程、参数可方便更改、代码编程思路清晰、注释明细。可在下载区获取数据和程序内容。
6.data为数据集输入12个特征分四类采用CNN提取特征LIBSVM进行数据分类。
注程序和数据放在一个文件夹。
程序设计
私信博主回复一区向量加权算法优化INFO-CNN-SVM卷积神经网络结合支持向量机多特征分类预测
%% 优化算法参数设置
SearchAgents_no 8; % 数量
Max_iteration 5; % 最大迭代次数%% 建立模型
lgraph layerGraph(); % 建立空白网络结构
tempLayers [sequenceInputLayer([num_dim, 1, 1], Name, sequence) % 建立输入层输入数据结构为[num_dim, 1, 1]sequenceFoldingLayer(Name, seqfold)]; % 建立序列折叠层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
tempLayers [convolution2dLayer([3, 1], 16, Name, conv_1, Padding, same) % 建立卷积层,卷积核大小[3, 1]16个特征图reluLayer(Name, relu_1) % Relu 激活层lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers [sequenceUnfoldingLayer(Name, sequnfold) softmaxLayer(Name, softmax) % softmax激活层classificationLayer(Name, classification)]; % 分类层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
lgraph connectLayers(lgraph, seqfold/out, conv_1); % 折叠层输出 连接 卷积层输入
lgraph connectLayers(lgraph, seqfold/miniBatchSize, sequnfold/miniBatchSize); % 折叠层输出连接反折叠层输入
lgraph connectLayers(lgraph, relu_2, sequnfold/in); % 激活层输出 连接 反折叠层输入%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 500,... % 最大训练次数 InitialLearnRate, best_lr,... % 初始学习率为0.001L2Regularization, 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 0.1LearnRateDropPeriod, 400,... % 经过训练后 学习率为 0.001*0.1Shuffle, 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);参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
