本文探讨了卷积神经网络（CNN）和支持向量机（SVM）相结合模型在故障分类识别中的应用，利用了CNN的特征提取优势和SVM的出色分类能力（用SVM作为CNN的最终分类器）。通过案例数据集展示了CNN-SVM组合模型在数据分类上的运行结果。本文采用Matlab编写代码，代码注释详细，逻辑清晰易懂，数据采用excel表格形式便于替换数据集，可main函数一键运行。
1 基本原理
卷积神经网络 (CNN) 是一种特殊的前馈深度学习算法，具有强大的特征提取能力和非线性运算能力，可以从原始数据中直接提取其明显特征，从而能够有效避免传统深度学习方法需要采取复杂数学方法进行数据特征提取的问题，其网络结构主要包含输入层、卷积层、池化层、全连接层和输出层。
在机器学习领域，支持向量机（Support Vector Machine，简称SVM）是一种广泛使用的监督学习模型，尤其在分类和回归问题上表现出色。SVM的核心思想是找到一个最优超平面，使得不同类别的样本点被最大程度地分离。
2 运行代码（部分）
%% 参数设置
options = trainingOptions('sgdm',... % SGDM 梯度下降算法
'MiniBatchSize',10,... % 批大小 每次训练样本个数10
'MaxEpochs',50,... % 最大训练次数 50
'InitialLearnRate',1e-2,... % 初始学习率为0.01
'LearnRateSchedule','piecewise',... % 学习率下降
'LearnRateDropFactor',0.1,... % 学习率下降因子 0.1
'LearnRateDropPeriod',35,... % 经过35次训练后 学习率为 0.01*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CNN
net = trainNetwork(p_train,t_train,layers,options);
%% 提取CNN特征
layer = 'pool2';
p_train = activations(net,p_train,layer,'OutputAs','rows');
p_test = activations(net,p_test, layer,'OutputAs','rows');
p_train = double(p_train); p_test = double(p_test);
t_train = double(t_train); t_test = double(t_test);
%% 创建/训练SVM模型
cmd = ' -t 2',' -c ',num2str(100),' -g ',num2str(0.01);
model = svmtrain(t_train,p_train,cmd);
3 实验结果
