分类预测 | MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测

分类预测 | MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测

目录

    • [分类预测 | MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测](#分类预测 | MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测)

预测效果




基本介绍

1.分类预测 | MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测

2.代码说明:要求于Matlab 2021版及以上版本。

程序设计

  • 完整程序和数据获取方式1:同等价值程序兑换;
  • 完整程序和数据获取方式2:私信博主回复 MATLAB实现DBN-SVM深度置信网络结合支持向量机多输入分类预测获取。
clike 复制代码
%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: 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, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
dbn = dbnsetup(dbn, p_train, opts);     % 建立模型
dbn = dbntrain(dbn, p_train, opts);     % 训练模型
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  训练权重移植,添加输出层
nn = dbnunfoldtonn(dbn, num_class);

%%  反向调整网络
opts.numepochs          = 576;  % 反向微调次数
opts.batchsize          = M;            % 每次反向微调样本数 需满足:(M / batchsize = 整数)

nn.activation_function  = 'sigm';       % 激活函数
nn.learningRate         = 2.9189;       % 学习率
nn.momentum             = 0.5;          % 动量参数
nn.scaling_learningRate = 1;            % 学习率的比例因子

[nn, loss, accu] = nntrain(nn, p_train, t_train, opts);  % 训练
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  仿真预测 
T_sim1 = nnpredict(nn, p_train); 
T_sim2 = nnpredict(nn, p_test );

%%  性能评价
error1 = sum((T_sim1' == T_train)) / M * 100 ;
error2 = sum((T_sim2' == T_test )) / N * 100 ;
https://blog.csdn.net/kjm13182345320/article/details/131174983
版权声明:本文为CSDN博主「机器学习之心」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/kjm13182345320/article/details/130462492

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129679476?spm=1001.2014.3001.5501

[2] https://blog.csdn.net/kjm13182345320/article/details/129659229?spm=1001.2014.3001.5501

[3] https://blog.csdn.net/kjm13182345320/article/details/129653829?spm=1001.2014.3001.5501

相关推荐
机器学习之心1 年前
分类预测 | Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测
数据分类预测·dbn-svm·深度置信网络-支持向量机
机器学习之心1 年前
分类预测 | Matlab实现PSO-LSTM-Attention粒子群算法优化长短期记忆神经网络融合注意力机制多特征分类预测
长短期记忆神经网络·多输入分类预测·粒子群算法优化·pso-lstm-att·融合注意力机制
机器学习之心1 年前
分类预测 | Matlab实现PSO-GRU粒子群算法优化门控循环单元的数据多输入分类预测
多输入分类预测·pso-gru·粒子群算法优化门控循环单元
机器学习之心1 年前
分类预测 | MATLAB实现基于Isomap降维算法与改进蜜獾算法IHBA的Adaboost-SVM集成多输入分类预测
多输入分类预测·adaboost-svm·isomap降维算法·改进蜜獾算法
机器学习之心1 年前
分类预测 | Matlab实现PSO-BiLSTM粒子群算法优化双向长短期记忆神经网络的数据多输入分类预测
双向长短期记忆神经网络·多输入分类预测·pso-bilstm·粒子群算法优化
机器学习之心1 年前
分类预测 | Matlab实现PSO-LSTM粒子群算法优化长短期记忆神经网络的数据多输入分类预测
长短期记忆神经网络·多输入分类预测·粒子群算法优化·pso-lstm
机器学习之心1 年前
分类预测 | MATLAB实现基于BiGRU-AdaBoost双向门控循环单元结合AdaBoost多输入分类预测
bigru-adaboost·adaboost·双向门控循环单元·多输入分类预测
机器学习之心1 年前
分类预测 | Matlab实现WOA-GRU鲸鱼算法优化门控循环单元的数据多输入分类预测
门控循环单元·鲸鱼算法优化·多输入分类预测·woa-gru
机器学习之心1 年前
分类预测 | Matlab实现WOA-BiLSTM鲸鱼算法优化双向长短期记忆神经网络的数据多输入分类预测
鲸鱼算法优化·双向长短期记忆神经网络·多输入分类预测·woa-bilstm
机器学习之心1 年前
分类预测 | MATLAB实现基于GRU-AdaBoost门控循环单元结合AdaBoost多输入分类预测
adaboost·gru·门控循环单元·多输入分类预测·gru-adaboost