回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测

预测效果

基本介绍

CNN-SVM多输入单输出回归预测是一种结合卷积神经网络（CNN）和支持向量机（SVM）的混合模型，用于处理和预测具有多输入单输出特性的数据。

卷积神经网络（CNN）：
主要用于从输入数据中提取局部特征。通过多个卷积层和池化层，CNN可以有效地捕捉数据中的重要模式和特征。
池化层（如最大池化或平均池化）用于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，用于后续的回归任务。
支持向量机（SVM）：
在回归任务中，SVM通常用于拟合数据并预测连续值。它通过找到在特征空间中能够划分不同类别的最优超平面来工作，这个概念可以扩展到回归问题中。
为了处理非线性问题，SVM可以使用核函数（如线性核、径向基核、多项式核等）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。

模型架构

多输入层：针对不同的输入变量，设计独立的输入层。这些输入变量可以是图像、文本、时间序列等不同类型的数据。
卷积层：对于图像或其他具有空间结构的数据，使用卷积层提取局部特征。多个卷积层可以逐层提取更抽象、更高级的特征。对于非图像数据，如时间序列数据，可以使用一维卷积层进行特征提取。
池化层：用于降低特征维度，减少计算量，并提高模型的鲁棒性。
全连接层：将卷积层和池化层提取到的特征映射到一个低维的特征空间，并学习到不同特征之间的非线性关系。
SVM回归：全连接层的输出作为SVM回归器的输入。SVM回归器利用提取到的特征进行回归预测，输出最终的预测值。

程序设计

• 完整代码：MATLAB实现CNN-SVM多输入单输出回归预测

%%  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  
addpath(genpath(pwd))
%% 导入数据
data =  readmatrix('day.csv');
data = data(:,3:16);
res=data(randperm(size(data,1)),:);    %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果。
num_samples = size(res,1);   %样本个数


% 训练集和测试集划分
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度


P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
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
trainD =  double(reshape(p_train,size(p_train,1),1,1,size(p_train,2)));
testD  =  double(reshape(p_test,size(p_test,1),1,1,size(p_test,2)));
targetD =  t_train;
targetD_test  =  t_test;

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128267322?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128234920?spm=1001.2014.3001.5501