【MATLAB第47期】基于MATLAB的多卷积层的卷积神经网络MCNN分类预测模型，含交叉验证，可自定义层数

【MATLAB第47期】基于MATLAB的多卷积层的卷积神经网络MCNN分类预测模型，含交叉验证，可自定义层数

一、展示效果

依次对比卷积层数为1/2/3时的分类预测结果
可得出，随着卷积层数量增加，训练集/测试集正确率基本上得到改进。

1.一层CNN

2.二层CNN

3.三层CNN

二、模型参数

%—输入--------------------------------------------------------------

%imgs：特征向量（高度x宽度x通道x实例）
%label：标签矢量（实例x 1）
%kfold：交叉验证次数
%LR：学习率
%nB：小批量数量
%MaxEpochs：最大Epochs数
%FC：完全连接层的数量（类的数量）
%nC：卷积层的数量（最多3个）
%nF1：第一卷积层中的滤波器数量   
%sF1：第一卷积层中滤波器的大小   
%nF2：第二卷积层中的滤波器数量
%sF2：第二卷积层中滤波器的大小
%nF3：第三卷积层中的滤波器数量
%sF3：第三卷积层中滤波器的大小

%—四分类数据-------------------------------------------------

res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(size(res,1));
imgs1 = res(temp(1: size(res,1)), 1: 12)';
label = res(temp(1: size(res,1)), 13)';

%—输出-------------------------------------------------------------

%包含以下7个结果的结构：
%训练集平均准确率、最小准确率、最大准确率
%测试集平均准确率、最小准确率、最大准确率
%计算时间（s）

%—CNN结构参数------------------------------------------------

options = trainingOptions('adam', ...      % Adam 梯度下降算法
    'MaxEpochs', 500, ...                  % 最大训练次数 500
    'InitialLearnRate', 1e-3, ...          % 初始学习率为0.001
    'L2Regularization', 1e-04, ...         % L2正则化参数
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降
    'LearnRateDropFactor', 0.5, ...        % 学习率下降因子 0.1
    'LearnRateDropPeriod', 450, ...        % 经过450次训练后 学习率为 0.001 * 0.5
    'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集
    'ValidationPatience', Inf, ...         % 关闭验证
    'Plots', 'none', ...      % 画出曲线training-progress
    'Verbose', 1);

三、代码获取

后台私信回复“47期”即可获取下载链接。