分类预测|基于CNN提取特征使用支持向量机作为分类器进行分类预测CNN-SVM（SVM自动寻优c，g超参数）CNN和CNN-SVM
文章目录
- 一、基本原理
- 1. 卷积神经网络（CNN）简介
- CNN的基本结构
- 2. 支持向量机（SVM）简介
- SVM的基本原理
- 3. CNN-SVM分类预测的结合
- 步骤1：数据准备
- 步骤2：特征提取
- 步骤3：训练SVM分类器
- 步骤4：分类预测
- 4. CNN-SVM分类预测的优势
- 二、实验结果
- 三、核心代码
- 四、代码获取
- 五、总结
分类预测|基于CNN提取特征使用支持向量机作为分类器进行分类预测CNN-SVM（SVM自动寻优c，g超参数）CNN和CNN-SVM
一、基本原理
CNN-SVM分类预测结合了卷积神经网络（CNN）和支持向量机（SVM）的优势，其中CNN用于特征提取，SVM用于分类。以下是详细的原理和流程：
1. 卷积神经网络（CNN）简介
卷积神经网络（CNN）是一类深度学习模型，特别适用于图像处理。它通过卷积层提取图像特征，然后通过池化层进行降维，并最终通过全连接层进行分类或回归任务。
CNN的基本结构
- 卷积层：通过卷积操作提取输入数据的局部特征。卷积核（过滤器）在输入数据上滑动，生成特征图。
- 激活函数：通常使用ReLU（Rectified Linear Unit）等非线性激活函数增加网络的非线性表示能力。
- 池化层：通过池化操作（如最大池化或平均池化）降低特征图的空间维度，减少计算复杂度。
- 全连接层：将高维的特征图展平成一维向量，进行分类或回归任务。
2. 支持向量机（SVM）简介
支持向量机（SVM）是一种监督学习算法，用于分类和回归任务。SVM通过构造一个最佳的超平面将不同类别的数据点分开。
SVM的基本原理
- 最大化间隔：SVM的目标是找到一个超平面，使得各类别数据点到该超平面的距离（间隔）最大化。
- 核函数：为了处理非线性问题，SVM可以使用核函数将数据映射到更高维空间，在这个空间中寻找一个线性超平面。常用的核函数包括线性核、径向基核（RBF）和多项式核。
- 优化：通过求解一个凸优化问题来确定最优的超平面参数。
3. CNN-SVM分类预测的结合
CNN-SVM模型结合了CNN在特征提取上的优势和SVM在分类上的优势。具体流程如下：
步骤1：数据准备
- 数据收集：收集并准备好训练数据和测试数据。数据通常是图像数据，但也可以是其他类型的高维数据。
步骤2：特征提取
-
构建CNN模型：
- 设计并训练CNN模型。CNN模型的具体结构取决于数据集和任务，一般包括若干卷积层、池化层以及全连接层。
- 训练CNN：使用训练数据对CNN进行训练，通过优化算法（如Adam或SGD）调整网络权重，以最小化分类误差或回归误差。
-
提取特征：
- 获取特征图：将训练和测试数据通过训练好的CNN模型，提取中间层（通常是倒数第二层全连接层）的特征图。这些特征图作为SVM的输入特征。
步骤3：训练SVM分类器
-
准备特征数据：
- 将CNN提取的特征图展平，形成特征向量，用于训练SVM分类器。
-
训练SVM：
- 使用CNN提取的特征向量作为输入数据，标签作为输出，训练SVM分类器。选择合适的核函数（如RBF核）和参数（如C和gamma）来优化分类性能。
步骤4：分类预测
-
预测：
- 对新的测试数据进行特征提取，使用训练好的CNN提取特征。
- 将提取的特征输入到训练好的SVM分类器中，进行分类预测。
-
评估：
- 使用测试数据评估CNN-SVM模型的性能。常用的评估指标包括准确率、精确率、召回率、F1分数等。
4. CNN-SVM分类预测的优势
- 高效特征提取：CNN在处理高维数据（如图像）时能有效提取有用的特征。
- 强分类能力：SVM能够利用这些特征进行准确的分类，尤其在数据量较小的情况下表现良好。
- 适应性强：CNN-SVM结合可以适应各种类型的分类任务，包括图像分类、文本分类等。
二、实验结果
三、核心代码
%% 导入数据
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_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）
%% 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);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
t_train = T_train;
t_test = T_test ;
四、代码获取
五、总结
包括但不限于
优化BP神经网络，深度神经网络DNN，极限学习机ELM，鲁棒极限学习机RELM，核极限学习机KELM，混合核极限学习机HKELM，支持向量机SVR，相关向量机RVM，最小二乘回归PLS，最小二乘支持向量机LSSVM，LightGBM，Xgboost，RBF径向基神经网络，概率神经网络PNN，GRNN，Elman，随机森林RF，卷积神经网络CNN，长短期记忆网络LSTM，BiLSTM，GRU，BiGRU，TCN，BiTCN，CNN-LSTM，TCN-LSTM，BiTCN-BiGRU，LSTM–Attention，VMD–LSTM，PCA–BP等等
用于数据的分类，时序，回归预测。
多特征输入，单输出，多输出
