【Matlab】CNN卷积神经网络分类算法（附代码）

 资源下载： https://download.csdn.net/download/vvoennvv/89466366

分类算法资源合集： https://download.csdn.net/download/vvoennvv/89466519

 目录

Matlab SVM支持向量机分类算法

Matlab RF随机森林分类算法

Matlab RBF径向基神经网络分类算法

Matlab PSO-BP 基于粒子群算法优化BP神经网络的分类算法

Matlab LSTM长短期记忆神经网络分类算法

Matlab GA-BP 基于遗传算法优化BP神经网络的分类算法

Matlab ELM极限学习机分类算法

Matlab CNN卷积神经网络分类算法

Matlab BP神经网络分类算法

Matlab CNN-LSTM分类 卷积神经网络-长短期记忆神经网络组合模型

一，概述

        CNN（Convolutional Neural Network，卷积神经网络）是一种前馈神经网络，主要用于处理具有类似网格结构的数据，例如图像和音频。CNN 的主要特点是卷积层和池化层的交替使用来提取数据特征，以及使用全连接层对这些特征进行分类和识别。 CNN 的主要结构包括卷积层、池化层和全连接层。其中卷积层主要用于提取数据中的特征，它通过将一个小的卷积核在数据上滑动，将局部特征提取出来。池化层则用于降低数据的维度，减少特征数量，从而简化模型的复杂度。全连接层则用于将提取的特征映射到具体的分类或识别结果上。 CNN 在图像识别、语音识别、自然语言处理等领域中，都取得了非常好的效果。相比于传统的机器学习算法，CNN 不需要手动提取特征，而是通过学习数据中的特征，从而更好地解决了复杂模式识别问题。同时，CNN 的参数共享和权值共享机制，使得模型的训练速度更快，且对于数据的变换和噪声具有较强的鲁棒性。总之，CNN 是一种重要的深度学习算法，它在图像、语音、自然语言等领域中具有广泛的应用，是目前最先进的图像识别算法之一。

二，代码

代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。

部分代码如下：

%%  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

%%  读取数据
res = xlsread('数据集.xlsx');

%%  分析数据
num_class = length(unique(res(:, end)));  % 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1;               % 特征维度
num_res = size(res, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                           % 训练集占数据集的比例
res = res(randperm(num_res), :);          % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%%  设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];

%%  划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 循环取出不同类别的样本
    mid_size = size(mid_res, 1);                    % 得到不同类别样本个数
    mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数

    P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];       % 训练集输入
    T_train = [T_train; mid_res(1: mid_tiran, end)];              % 训练集输出

    P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];  % 测试集输入
    T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];         % 测试集输出
end

%%  数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';

%%  得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);

......

三，运行结果

资源下载： https://download.csdn.net/download/vvoennvv/89466366