分类预测 | Matlab实现WOA-CNN-SVM鲸鱼算法优化卷积支持向量机分类预测

分类预测 | Matlab实现WOA-CNN-SVM鲸鱼算法优化卷积支持向量机分类预测

目录

• • 分类预测 | Matlab实现WOA-CNN-SVM鲸鱼算法优化卷积支持向量机分类预测
  • • 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WOA-CNN-SVM鲸鱼算法优化卷积支持向量机分类预测（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，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。

      6.输入多个特征，分四类。

      程序设计

      • 完整程序和数据获取方式资源处下载Matlab实现WOA-CNN-SVM鲸鱼算法优化卷积支持向量机分类预测

        %%  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0.001
            '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);
        

        参考资料

        [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502

        [2] https://blog.csdn.net/kjm13182345320/article/details/128690229