【CNN回归预测】基于卷积神经网络的数据回归预测附matlab完整代码

基于卷积神经网络（Convolutional Neural Network，CNN）的数据回归预测是一种利用CNN模型来进行数据回归问题的预测和估计。以下是一种可能的实施步骤：数据准备：收集和整理用于回归预测的数据集，包括输入特征和对应的目标值。确保数据集的质量和充分性。数据预处理：对数据进行预处理，如归一化、标准化、特征工程等，以提高模型的训练效果和泛化能力。CNN模型设计：设计一个合适的卷积神

matlab科研助手

4172人浏览 · 2023-07-15 22:12:24

matlab科研助手 · 2023-07-15 22:12:24 发布

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

基于卷积神经网络（Convolutional Neural Network，CNN）的数据回归预测是一种利用CNN模型来进行数据回归问题的预测和估计。以下是一种可能的实施步骤：

数据准备：收集和整理用于回归预测的数据集，包括输入特征和对应的目标值。确保数据集的质量和充分性。
数据预处理：对数据进行预处理，如归一化、标准化、特征工程等，以提高模型的训练效果和泛化能力。
CNN模型设计：设计一个合适的卷积神经网络模型，通常包括卷积层、池化层、全连接层等。根据具体问题的特点，可以选择合适的网络结构和超参数。
模型训练：使用准备好的数据集对CNN模型进行训练。通过反向传播算法和优化器（如梯度下降）来最小化预测值与真实值之间的损失函数，以更新模型的权重和偏置。
模型评估：使用测试数据集对训练好的CNN模型进行评估，计算预测结果与真实值之间的误差指标，如均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）等。
预测与推断：使用训练好的CNN模型对新的输入数据进行预测和推断，得到回归预测结果。
模型优化：根据评估结果和实际需求，对CNN模型进行优化和调整，如调整网络结构、增加正则化手段、调整学习率等，以提高模型的性能和精度。
模型应用：将优化后的CNN模型应用于实际场景中，进行数据回归预测和估计。

基于卷积神经网络的数据回归预测可以应用于各种领域，如图像处理、自然语言处理、时间序列分析等，以实现对复杂数据关系的准确预测和估计。

⛄ 部分代码

%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行%%  导入数据res = xlsread('数据集.xlsx');%%  划分训练集和测试集temp = randperm(103);P_train = res(temp(1: 80), 1: 7)';T_train = res(temp(1: 80), 8)';M = size(P_train, 2);P_test = res(temp(81: end), 1: 7)';T_test = res(temp(81: end), 8)';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);%%  数据平铺%   将数据平铺成1维数据只是一种处理方式%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构%   但是应该始终和输入层数据结构保持一致p_train =  double(reshape(p_train, 7, 1, 1, M));p_test  =  double(reshape(p_test , 7, 1, 1, N));t_train =  double(t_train)';t_test  =  double(t_test )';%%  构造网络结构layers = [ imageInputLayer([7, 1, 1])                         % 输入层 输入数据规模[7, 1, 1]  convolution2dLayer([3, 1], 16, 'Padding', 'same')  % 卷积核大小 3*1 生成16张特征图 batchNormalizationLayer                            % 批归一化层 reluLayer                                          % Relu激活层  maxPooling2dLayer([2, 1], 'Stride', [1, 1])        % 最大池化层 池化窗口 [2, 1] 步长 [1, 1] convolution2dLayer([3, 1], 32, 'Padding', 'same')  % 卷积核大小 3*1 生成32张特征图 batchNormalizationLayer                            % 批归一化层 reluLayer                                          % Relu激活层 dropoutLayer(0.1)                                  % Dropout层 fullyConnectedLayer(1)                             % 全连接层 regressionLayer];                                  % 回归层%%  参数设置options = trainingOptions('sgdm', ...      % SGDM 梯度下降算法    'MiniBatchSize', 32, ...               % 批大小,每次训练样本个数 32    'MaxEpochs', 1200, ...                 % 最大训练次数 1200    '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    'LearnRateDropPeriod', 800, ...        % 经过 800 次训练后 学习率为 0.01 * 0.1    'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集    'Plots', 'training-progress', ...      % 画出曲线    'Verbose', false);%%  训练模型net = trainNetwork(p_train, t_train, layers, options);%%  模型预测t_sim1 = predict(net, p_train);t_sim2 = predict(net, p_test );%%  数据反归一化T_sim1 = mapminmax('reverse', t_sim1, ps_output);T_sim2 = mapminmax('reverse', t_sim2, ps_output);%%  均方根误差error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);%%  绘制网络分析图analyzeNetwork(layers)%%  绘图figureplot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)legend('真实值', '预测值')xlabel('预测样本')ylabel('预测结果')string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};title(string)xlim([1, M])gridfigureplot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)legend('真实值', '预测值')xlabel('预测样本')ylabel('预测结果')string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};title(string)xlim([1, N])grid%%  相关指标计算% R2R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;disp(['训练集数据的R2为：', num2str(R1)])disp(['测试集数据的R2为：', num2str(R2)])% MAEmae1 = sum(abs(T_sim1' - T_train)) ./ M ;mae2 = sum(abs(T_sim2' - T_test )) ./ N ;disp(['训练集数据的MAE为：', num2str(mae1)])disp(['测试集数据的MAE为：', num2str(mae2)])% MBEmbe1 = sum(T_sim1' - T_train) ./ M ;mbe2 = sum(T_sim2' - T_test ) ./ N ;disp(['训练集数据的MBE为：', num2str(mbe1)])disp(['测试集数据的MBE为：', num2str(mbe2)])%%  绘制散点图sz = 25;c = 'b';figurescatter(T_train, T_sim1, sz, c)hold onplot(xlim, ylim, '--k')xlabel('训练集真实值');ylabel('训练集预测值');xlim([min(T_train) max(T_train)])ylim([min(T_sim1) max(T_sim1)])title('训练集预测值 vs. 训练集真实值')figurescatter(T_test, T_sim2, sz, c)hold onplot(xlim, ylim, '--k')xlabel('测试集真实值');ylabel('测试集预测值');xlim([min(T_test) max(T_test)])ylim([min(T_sim2) max(T_sim2)])title('测试集预测值 vs. 测试集真实值')