标签：param 卷积 适应 fusion javascrip 坐标轴 tick ges https
clc; clear; close all; load ..\CFCC_mat\all_data_label.mat % load all_data_label_02.mat %matlab神经网络工具箱权值和阈值每次都是随机初始化的，加上"setdemorandstream(pi)"即可固定随机种子，使其训练结果不变 setdemorandstream(pi); train_y=train_y‘; test_y=test_y‘; P=size(test_x); w=size(train_x); %% category=26;%26种类别 M=26*10;%测试用样本数 bp_number=80; %隐层神经元个数 % bp_number =round( log( size(train_x,2) )/ log(2) ); input_label_test=zeros(1,M); % output_label=zeros(1,M); %% for j=1:P(1) %P（1）=90 input_label_test(j)= find(test_y(:,j)) ; %正确，返回T1中第j列不为0元素的行数 end %% %特征值归一化; [input,minI,maxI] = premnmx( train_x‘) ;%input归一化矩阵，minI，每行最小值，maxI，每行最大值 %for i=10:300 %创建神经网络，隐藏层与输出层对应的传输转移函数分别为"tansig","logsig"%[24,9] net=newff(minmax(input),[bp_number,category],{‘tansig‘ ‘logsig‘} ,‘traingdx‘); % ‘traingdx‘ 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数 net.trainParam.lr=0.001;%学习率 net.trainParam.show=5000;%显示中间结果的周期 net.trainParam.epochs=20000;%最大迭代次数 net.trainParam.goal=0.0001; %神经网络训练的目标误差 %%开始训练 net=train(net,input,train_y); %T9x900 save trainNet net minI %% %train trainInput = tramnmx ( train_x‘ , minI, maxI ) ; TT=sim(net,trainInput);%返回测试样本的输出预测值 error2 = train_y - round(TT); RX=0; for s=1:w(1) if(sum(error2(:,s))==0) RX = RX + 1; end end Trainidentifyrate = RX/(w(1)) %% % 测试数据归一化 test testInput = tramnmx ( test_x‘ , minI, maxI ) ; RS=sim(net,testInput);%test_input 400xM,每一列为一个样本 RS9x90，9类一共M个样本 % U=round(RS); [~,output_label_test] = max(RS,[],1); %返回每列最大值所处行数 %% %视图化 % test_labels =input_label_test‘; % predict_label=output_label_test‘; figure; hold on; plot(input_label_test‘,‘o‘); %test_labels plot(output_label_test‘,‘r+‘);%predict_label xlabel(‘测试集样本‘,‘FontSize‘,12); ylabel(‘类别标签‘,‘FontSize‘,12); legend(‘实际测试集分类‘,‘预测测试集分类‘); title(‘测试集的实际分类和预测分类图‘,‘FontSize‘,12); %设置x轴范围和刻度 set(gca,‘XLim‘,[0 260]);%X轴的数据显示范围 set(gca,‘XTick‘,[0:10:260]);%设置要显示坐标刻度 % set(gca,‘XTickLabel‘,[0:1:10]);%给坐标加标签 %设置y轴范围和刻度 set(gca,‘YLim‘,[1 26]);%X轴的数据显示范围 set(gca,‘YTick‘,[0:1:26]);%设置要显示坐标刻度 % set(gca,‘YTickLabel‘,[95:1:101]);%给坐标加标签 grid on; %% III 计算准确率 c=input_label_test-output_label_test; number=0; error_label_number =1; for i=1:1:M if(c(1,i)==0) number = number+1; end % if (abs(c(1,i))==1 ) %不等于 % error_label(error_label_number,1)= i; %误差为1错误标签位置 % error_label_number = error_label_number+1; % end % if (abs(c(1,i))~=0 ) %不等于 error_location(error_label_number,1)= i; %误差为1错误标签位置 error_label_number = error_label_number+1; end end accuracy = number/M save error_label.mat error_location %% data =[input_label_test‘,output_label_test‘]; data =transform(data); figure; hold on; plot(data(:,1)‘,‘o‘); %test_labels plot(data(:,2)‘,‘r+‘);%predict_label xlabel(‘测试集样本‘,‘FontSize‘,12); ylabel(‘类别标签‘,‘FontSize‘,12); legend(‘实际测试集分类‘,‘预测测试集分类‘); title(‘测试集的实际分类和预测分类图‘,‘FontSize‘,12); %设置x轴范围和刻度 set(gca,‘XLim‘,[0 260]);%X轴的数据显示范围 set(gca,‘XTick‘,[0:10:260]);%设置要显示坐标刻度 % set(gca,‘XTickLabel‘,[0:1:10]);%给坐标加标签 %设置y轴范围和刻度 set(gca,‘YLim‘,[1 26]);%X轴的数据显示范围 set(gca,‘YTick‘,[0:1:26]);%设置要显示坐标刻度 % set(gca,‘YTickLabel‘,[95:1:101]);%给坐标加标签 grid on; %% data =[input_label_test‘,output_label_test‘]; data =data(:,1)-data(:,2); AA=zeros(26,1) for i=1:26 number=0; for j=1:10 if data( (i-1)*10+j ,1 )==0 number=number+1; end end AA(i,1)=number; end %% confusion_matrix1( output_label_test,input_label_test)
FUNCTION
confusion_matrix1 混淆矩阵画图
function confusion_matrix1(act1, det1)
%act1为真实的标签，det1为预测标签
%输入的是行向量
%https://blog.csdn.net/xuyingjie125/article/details/78417760
[mat, order] = confusionmat(act1, det1);
%confusionmat用来构建混淆矩阵，mat返回混淆矩阵，order返回每个变量所在的类
%mat(i,j)表示训练集中i类在测试集中被分到j类的个数
k = max(order); %k为分类的个数
imagesc(mat); %imagesc函数将矩阵mat的元素数值按大小转化为不同颜色，并在坐标轴对应位置以这种颜色染色
colormap(flipud(gray)); %转换成灰度图
%colormap函数是用来设定和获取当前色图的函数
%flipud是矩阵倒转命令，gray是matlab内置矩阵
%gray()会返回M×3的矩阵
title(‘混淆矩阵‘);
textStrings = num2str(mat(:),‘%d‘);
%num2str(x，precision)把数组x转换成字符串形式表示，precision为精度
textStrings = strtrim(cellstr(textStrings));
%cellstr是将字符数组转换成cell类型
%裁切字符串的开头和尾部的空格，制表，回车符
%meshgrid是MATLAB中用于生成网格采样点的函数
[x,y] = meshgrid(1:k);
hStrings = text(x(:),y(:),textStrings(:),‘HorizontalAlignment‘,‘center‘);
%text函数表示对文字string定位于用坐标轴指定的位置，且对指定的属性进行设置
%HorizontalAlignment表示文字水平方向的对齐方式，center表示文本外框中间对齐
midValue = mean(get(gca,‘CLim‘));
%get(gca,‘CLim‘)获取当前的坐标轴句柄，并设置它的CLim(ColorLimit)值，用来使不同的图使用相同的色标
%mean函数返回均值，使得midValue获得图色标的均值0.5000
textColors = repmat(mat(:) > midValue,1,3);
%将矩阵[mat(:)>midValue]复制1×3块的矢量（颜色值必须为包含3个元素的数值矢量）
%把矩阵[mat(:)>midValue]作为矩阵textColors的元素
%B=repmat(A,M,N)这是一个处理大矩阵且内容有重复时使用，其功能是以A的内容堆叠在（M×N）的矩阵B中，
%B矩阵的大小由M×N及A矩阵的内容决定，
%如果A是一个3×4×5的矩阵，则矩阵B变为6×12×5
set(hStrings,{‘Color‘},num2cell(textColors,2));
%n=1表示把每列的所有行转换为cell，n=2表示把每行的所有列转换为cell，将结构阵列转换成异质阵列
%然后set去重后放在hStrings
%根据自己的分类要求更改类别标签
set(gca,‘XTick‘,1:26,‘XTickLabel‘,{‘1‘,‘2‘,‘3‘,‘4‘,‘5‘,‘6‘,‘7‘,‘8‘,‘9‘,‘10‘,‘11‘,‘12‘,‘13‘,‘14‘,‘15‘,‘16‘,‘17‘,‘18‘,‘19‘,‘20‘,‘21‘,‘22‘,‘23‘,‘24‘,‘25‘,‘26‘},‘YTick‘,1:26,‘YTickLabel‘,{‘1‘,‘2‘,‘3‘,‘4‘,‘5‘,‘6‘,‘7‘,‘8‘,‘9‘,‘10‘,‘11‘,‘12‘,‘13‘,‘14‘,‘15‘,‘16‘,‘17‘,‘18‘,‘19‘,‘20‘,‘21‘,‘22‘,‘23‘,‘24‘,‘25‘,‘26‘});
% ---------------------
% 浣滆?锛歴undreamoon
% 鏉ユ簮锛欳SDN
% 鍘熸枃锛歨ttps://blog.csdn.net/sundreamoon/article/details/79958207
% 鐗堟潈澹版槑锛氭湰鏂囦负鍗氫富鍘熷垱鏂囩珷锛岃浆杞借闄勪笂鍗氭枃閾炬帴锛?
相关系数 code
%% 相关系数
%% V. 性能评价
%%
% 1. 相对误差error
input_test_label = actual_label;
error = abs(predict_label - input_test_label)./input_test_label;
[N,~]=size(input_test_label);
%%
% 2. 决定系数R^2
R2 = (N * sum(predict_label .* input_test_label) - sum(predict_label) * sum(input_test_label))^2 / ((N * sum((predict_label).^2) - (sum(predict_label))^2) * (N * sum((input_test_label).^2) - (sum(input_test_label))^2));
%%
% 3. 结果对比
result = [input_test_label‘ predict_label‘ error‘]
%% VI. 绘图
figure
plot(1:N,input_test_label,‘b:*‘,1:N,predict_label,‘r-o‘)
legend(‘真实值‘,‘预测值‘)
xlabel(‘预测样本‘)
ylabel(‘标签值‘)
string = {‘测试集预测结果对比‘;[‘R^2=‘ num2str(R2)]};
title(string)
SVM code
%% SVM神经网络的数据分类预测----意大利葡萄酒种类识别
%
%
% <html>
% <table border="0" width="600px" id="table1"> <tr> <td><b><font size="2">该案例作者申明：</font></b></td> </tr> <tr> <td><span class="comment"><font size="2">1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html"><font color="#0000FF">板块</font></a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html"><font color="#0000FF">该案例</font></a>提问，做到有问必答。</font></span></td></tr><tr> <td><span class="comment"><font size="2">2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</font></span></td> </tr><tr> <td><span class="comment"><font size="2"> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</font></span></td> </tr></table>
% </html>
%
%% 清空环境变量
close all;
clear;
clc;
format compact;
%% 数据提取
% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量
load chapter12_wine.mat;
% 画出测试数据的box可视化图
figure;
boxplot(wine,‘orientation‘,‘horizontal‘,‘labels‘,categories);
title(‘wine数据的box可视化图‘,‘FontSize‘,12);
xlabel(‘属性值‘,‘FontSize‘,12);
grid on;
% 画出测试数据的分维可视化图
figure
subplot(3,5,1);
hold on
for run = 1:178
plot(run,wine_labels(run),‘*‘);
end
xlabel(‘样本‘,‘FontSize‘,10);
ylabel(‘类别标签‘,‘FontSize‘,10);
title(‘class‘,‘FontSize‘,10);
for run = 2:14
subplot(3,5,run);
hold on;
str = [‘attrib ‘,num2str(run-1)];
for i = 1:178
plot(i,wine(i,run-1),‘*‘);
end
xlabel(‘样本‘,‘FontSize‘,10);
ylabel(‘属性值‘,‘FontSize‘,10);
title(str,‘FontSize‘,10);
end
% 选定训练集和测试集
% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集
train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];
% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];
% 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集
test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];
%% 数据预处理
% 数据预处理,将训练集和测试集归一化到[0,1]区间
[mtrain,ntrain] = size(train_wine);
[mtest,ntest] = size(test_wine);
dataset = [train_wine;test_wine];
% mapminmax为MATLAB自带的归一化函数
[dataset_scale,ps] = mapminmax(dataset‘,0,1);
dataset_scale = dataset_scale‘;
train_wine = dataset_scale(1:mtrain,:);
test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );
%% SVM网络训练
model = svmtrain(train_wine_labels, train_wine, ‘-c 2 -g 1‘);
%% SVM网络预测
[predict_label, accuracy , pred] = svmpredict(test_wine_labels, test_wine, model);
%% 结果分析
% 测试集的实际分类和预测分类图
% 通过图可以看出只有一个测试样本是被错分的
figure;
hold on;
plot(test_wine_labels,‘o‘);
plot(predict_label,‘r*‘);
xlabel(‘测试集样本‘,‘FontSize‘,12);
ylabel(‘类别标签‘,‘FontSize‘,12);
legend(‘实际测试集分类‘,‘预测测试集分类‘);
title(‘测试集的实际分类和预测分类图‘,‘FontSize‘,12);
grid on;
%%
%
% <html>
% <table align="center" > <tr> <td align="center"><font size="2">版权所有：</font><a
% href="http://www.ilovematlab.cn/">Matlab中文论坛</a> <script
% src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table>
% </html>
%
III CNN
main
%%% matlab实现LeNet-5
%%% 作者：xd.wp
%%% 时间：2016.10.22 14:29
%% 程序说明
% 1、池化（pooling）采用平均2*2
% 2、网络结点数说明：
% 输入层：28*28
% 第一层：24*24（卷积）*20
% tanh
% 第二层：12*12（pooling）*20
% 第三层：100(全连接)
% 第四层：10(softmax)
% 3、网络训练部分采用800个样本，检验部分采用100个样本
clear all;clc;
%% 网络初始化
layer_c1_num=20;
layer_s1_num=20;
layer_f1_num=100;
layer_output_num=26;
%权值调整步进
yita=0.01;
%bias初始化
bias_c1=(2*rand(1,20)-ones(1,20))/sqrt(20);
bias_f1=(2*rand(1,100)-ones(1,100))/sqrt(20);
%卷积核初始化
[kernel_c1,kernel_f1]=init_kernel(layer_c1_num,layer_f1_num);
%pooling核初始化
pooling_a=ones(2,2)/4;
%全连接层的权值
weight_f1=(2*rand(20,100)-ones(20,100))/sqrt(20);
weight_output=(2*rand(100,layer_output_num)-ones(100,layer_output_num))/sqrt(100);
disp(‘网络初始化完成......‘);
%% 开始网络训练
disp(‘开始网络训练......‘);
for iter=1:10
for n=1:100
for m=1:26
%读取样本
% train_data=imread(strcat(num2str(m),‘_‘,num2str(n),‘.bmp‘));
path = [‘C:\Users\Administrator\Desktop\流程\时域频域图\figure_2\figure_28_28\‘,[num2str(m),‘_‘,num2str(n)],‘.bmp‘];%如0_1~0_10
train_data=imread(path);
train_data=double(train_data);
% 去均值
% train_data=wipe_off_average(train_data);
%前向传递,进入卷积层1
for k=1:layer_c1_num
state_c1(:,:,k)=convolution(train_data,kernel_c1(:,:,k));
%进入激励函数
state_c1(:,:,k)=tanh(state_c1(:,:,k)+bias_c1(1,k));
%进入pooling1
state_s1(:,:,k)=pooling(state_c1(:,:,k),pooling_a);
end
%进入f1层
[state_f1_pre,state_f1_temp]=convolution_f1(state_s1,kernel_f1,weight_f1);
%进入激励函数
for nn=1:layer_f1_num
state_f1(1,nn)=tanh(state_f1_pre(:,:,nn)+bias_f1(1,nn));
end
%进入softmax层
for nn=1:layer_output_num
output(1,nn)=exp(state_f1*weight_output(:,nn))/sum(exp(state_f1*weight_output));
end
%% 误差计算部分
Error_cost=-output(1,m);
% if (Error_cost<-0.98)
% break;
% end
%% 参数调整部分
[kernel_c1,kernel_f1,weight_f1,weight_output,bias_c1,bias_f1]=CNN_upweight(yita,Error_cost,m-1,train_data,...
state_c1,state_s1,...
state_f1,state_f1_temp,...
output,...
kernel_c1,kernel_f1,weight_f1,weight_output,bias_c1,bias_f1);
end
end
end
disp(‘网络训练完成，开始检验......‘);
%% 测试阶段
number = 1;
count=0;
for n=101:110
for m=1:26
%读取样本
% train_data=imread(strcat(num2str(m),‘_‘,num2str(n),‘.bmp‘));
path = [‘C:\Users\Administrator\Desktop\流程\时域频域图\figure_2\figure_28_28\‘,[num2str(m),‘_‘,num2str(n)],‘.bmp‘];%如0_1~0_10
%读取样本
train_data=imread(path);
train_data=double(train_data);
% 去均值
% train_data=wipe_off_average(train_data);
%前向传递,进入卷积层1
for k=1:layer_c1_num
state_c1(:,:,k)=convolution(train_data,kernel_c1(:,:,k));
%进入激励函数
state_c1(:,:,k)=tanh(state_c1(:,:,k)+bias_c1(1,k));
%进入pooling1
state_s1(:,:,k)=pooling(state_c1(:,:,k),pooling_a);
end
%进入f1层
[state_f1_pre,state_f1_temp]=convolution_f1(state_s1,kernel_f1,weight_f1);
%进入激励函数
for nn=1:layer_f1_num
state_f1(1,nn)=tanh(state_f1_pre(:,:,nn)+bias_f1(1,nn));
end
%进入softmax层
for nn=1:layer_output_num
output(1,nn)=exp(state_f1*weight_output(:,nn))/sum(exp(state_f1*weight_output));
end
[p,classify]=max(output);
if (classify==m+1)
count=count+1;
end
fprintf(‘真实类别为%d 预测类别为%d 概率值为%d \n‘,m,classify,p);
infor(number,1) = m;
infor(number,2) = classify;
infor(number,3) = p;
number = number+1;
end
end
%% 准确率计算
number = 1;
A = size(infor);
for i=1:A(1)
if infor(i,1)- infor(i,2)==0
number =number+1;
end
end
accuracy = number/A(1)
save data_1.mat
FUNCTION convolution
function [state]=convolution(data,kernel)
%实现卷积层操作?
[data_row,data_col]=size(data);
[kernel_row,kernel_col]=size(kernel);
for m=1:data_col-kernel_col+1
for n=1:data_row-kernel_row+1
state(m,n)=sum(sum(data(m:m+kernel_row-1,n:n+kernel_col-1).*kernel));
end
end
FUNCTION convolution_f1
function [state_f1,state_f1_temp]=convolution_f1(state_s1,kernel_f1,weight_f1)
%% 完成卷积层2操作
layer_f1_num=size(weight_f1,2);
layer_s1_num=size(weight_f1,1);
%%
for n=1:layer_f1_num
count=0;
for m=1:layer_s1_num
temp=state_s1(:,:,m)*weight_f1(m,n);
count=count+temp;
end
state_f1_temp(:,:,n)=count;
state_f1(:,:,n)=convolution(state_f1_temp(:,:,n),kernel_f1(:,:,n));
end
end
FUNCTION CNN_upweight
function [kernel_c1,kernel_f1,weight_f1,weight_output,bias_c1,bias_f1]=CNN_upweight(yita,Error_cost,classify,train_data,state_c1,state_s1,state_f1,state_f1_temp,...
output,kernel_c1,kernel_f1,weight_f1,weight_output,bias_c1,bias_f1)
%%% 完成参数更新，权值和卷积核
%% 结点数目
layer_c1_num=size(state_c1,3);
layer_s1_num=size(state_s1,3);
layer_f1_num=size(state_f1,2);
layer_output_num=size(output,2);
[c1_row,c1_col,~]=size(state_c1);
[s1_row,s1_col,~]=size(state_s1);
[kernel_c1_row,kernel_c1_col]=size(kernel_c1(:,:,1));
[kernel_f1_row,kernel_f1_col]=size(kernel_f1(:,:,1));
%% 保存网络权值
kernel_c1_temp=kernel_c1;
kernel_f1_temp=kernel_f1;
weight_f1_temp=weight_f1;
weight_output_temp=weight_output;
%% Error计算
label=zeros(1,layer_output_num);
label(1,classify+1)=1;
delta_layer_output=output-label;
%% 更新weight_output
for n=1:layer_output_num
delta_weight_output_temp(:,n)=delta_layer_output(1,n)*state_f1‘;
end
weight_output_temp=weight_output_temp-yita*delta_weight_output_temp;
%% 更新bias_f1以及kernel_f1
for n=1:layer_f1_num
count=0;
for m=1:layer_output_num
count=count+delta_layer_output(1,m)*weight_output(n,m);
end
%bias_f1
delta_layer_f1(1,n)=count*(1-tanh(state_f1(1,n)).^2);
delta_bias_f1(1,n)=delta_layer_f1(1,n);
%kernel_f1
delta_kernel_f1_temp(:,:,n)=delta_layer_f1(1,n)*state_f1_temp(:,:,n);
end
bias_f1=bias_f1-yita*delta_bias_f1;
kernel_f1_temp=kernel_f1_temp-yita*delta_kernel_f1_temp;
%% 更新weight_f1
for n=1:layer_f1_num
delta_layer_f1_temp(:,:,n)=delta_layer_f1(1,n)*kernel_f1(:,:,n);
end
for n=1:layer_s1_num
for m=1:layer_f1_num
delta_weight_f1_temp(n,m)=sum(sum(delta_layer_f1_temp(:,:,m).*state_s1(:,:,n)));
end
end
weight_f1_temp=weight_f1_temp-yita*delta_weight_f1_temp;
%% 更新 bias_c1
for n=1:layer_s1_num
count=0;
for m=1:layer_f1_num
count=count+delta_layer_f1_temp(:,:,m)*weight_f1(n,m);
end
delta_layer_s1(:,:,n)=count;
delta_layer_c1(:,:,n)=kron(delta_layer_s1(:,:,n),ones(2,2)/4).*(1-tanh(state_c1(:,:,n)).^2);
delta_bias_c1(1,n)=sum(sum(delta_layer_c1(:,:,n)));
end
bias_c1=bias_c1-yita*delta_bias_c1;
%% 更新 kernel_c1
for n=1:layer_c1_num
delta_kernel_c1_temp(:,:,n)=rot90(conv2(train_data,rot90(delta_layer_c1(:,:,n),2),‘valid‘),2);
end
kernel_c1_temp=kernel_c1_temp-yita*delta_kernel_c1_temp;
%% 网络权值更新
kernel_c1=kernel_c1_temp;
kernel_f1=kernel_f1_temp;
weight_f1=weight_f1_temp;
weight_output=weight_output_temp;
end
FUNCTION init_kernel
function [kernel_c1,kernel_f1]=init_kernel(layer_c1_num,layer_f1_num)
%卷积核初始化
for n=1:layer_c1_num
kernel_c1(:,:,n)=(2*rand(5,5)-ones(5,5))/12;
end
for n=1:layer_f1_num
kernel_f1(:,:,n)=(2*rand(12,12)-ones(12,12));
end
end
FUNCTION pooling
function state=pooling(data,pooling_a)
%% 实现取样层pooling操作
[data_row,data_col]=size(data);
[pooling_row,pooling_col]=size(pooling_a);
for m=1:data_col/pooling_col
for n=1:data_row/pooling_row
state(m,n)=sum(sum(data(2*m-1:2*m,2*n-1:2*n).*pooling_a));
end
end
end
view figure
clc
clear
load data_1.mat infor accuracy
%%
A = size(infor);
figure(1)
hold on
plot(infor(:,1),‘bo‘);%实际类别
plot(infor(:,2),‘r+‘);%predict_label
legend(‘实际测试集分类‘,‘预测测试集分类‘);
%设置x轴范围和刻度
set(gca,‘XLim‘,[0 260]);%X轴的数据显示范围
set(gca,‘XTick‘,[0:10:260]);%设置要显示坐标刻度
% set(gca,‘XTickLabel‘,[0:1:10]);%给坐标加标签
%设置y轴范围和刻度
set(gca,‘YLim‘,[1 26]);%X轴的数据显示范围
set(gca,‘YTick‘,[0:1:26]);%设置要显示坐标刻度
% set(gca,‘YTickLabel‘,[95:1:101]);%给坐标加标签
grid on;
%%
data = transform(infor);
figure(2)
hold on
plot(data(:,1),‘bo‘);%实际类别
plot(data(:,2),‘r+‘);%predict_label
legend(‘实际测试集分类‘,‘预测测试集分类‘);
%设置x轴范围和刻度
set(gca,‘XLim‘,[0 260]);%X轴的数据显示范围
set(gca,‘XTick‘,[0:10:260]);%设置要显示坐标刻度
% set(gca,‘XTickLabel‘,[0:1:10]);%给坐标加标签
%设置y轴范围和刻度
set(gca,‘YLim‘,[1 26]);%X轴的数据显示范围
set(gca,‘YTick‘,[0:1:26]);%设置要显示坐标刻度
% set(gca,‘YTickLabel‘,[95:1:101]);%给坐标加标签
grid on;
%% 计算每个类别错误个数
error_cat_num = zeros(26,1);
for i=1:26
number =0;
for j= i*10-9 : i*10
if data(j,1)- data(j,2)==0
number =number+1;
end
end
error_cat_num(i,1)=number;
end
%%
%% 相关系数
%%
% 1. 相对误差error
input_test_label = data(:,1);
predict_label = data(:,2);
error = abs(predict_label - input_test_label)./input_test_label;
[N,~]=size(input_test_label);
%%
% 2. 决定系数R^2
R2 = (N * sum(predict_label .* input_test_label) - sum(predict_label) * sum(input_test_label))^2 / ((N * sum((predict_label).^2) - (sum(predict_label))^2) * (N * sum((input_test_label).^2) - (sum(input_test_label))^2));
%%
% 3. 结果对比
result = [input_test_label‘ predict_label‘ error‘]
%% VI. 绘图
figure
plot(1:N,input_test_label,‘b:*‘,1:N,predict_label,‘r-o‘)
legend(‘真实值‘,‘预测值‘)
xlabel(‘预测样本‘)
ylabel(‘标签值‘)
string = {‘测试集预测结果对比‘;[‘R^2=‘ num2str(R2)]};
title(string)
标签：param 卷积 适应 fusion javascrip 坐标轴 tick ges https
原文地址：https://www.cnblogs.com/hkkeryu/p/10912024.html
