如何做商城网站,建设行政主管部门政务网站,温州做网站的公司有哪些,上海未来网站建设公司分类预测 | Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测 目录 分类预测 | Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述 1.利用DBN进行特征提取#xff0c;将提取后的特征放入SVM进行分类…分类预测 | Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测 目录 分类预测 | Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述 1.利用DBN进行特征提取将提取后的特征放入SVM进行分类实现组合预测。图很多包括混淆矩阵图、预测效果图 DBN是深度置信网络,相比于CNN更为新颖。 2.多特征输入单输出的二分类及多分类模型。程序内注释详细直接替换数据就可以用。 3.程序语言为matlab程序可出分类效果图混淆矩阵图运行环境matlab2018b及以上。 4.代码特点参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 5.data为数据集输入12个特征分四类main为主程序其余为函数文件无需运行可在下载区获取数据和程序内容。 程序设计
完整程序和数据获取方式私信博主回复Matlab实现基于DBN-SVM深度置信网络-支持向量机的数据分类预测。
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 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 ind2vec(T_train);
t_test ind2vec(T_test );
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 转置以适应模型
p_train p_train; p_test p_test;
t_train t_train; t_test t_test;
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
dbn.sizes [70 32 56]; % 隐藏层节点
opts.numepochs 100; % 训练次数
opts.batchsize M; % 每次训练样本个数 需满足M / batchsize 整数
opts.momentum 0; % 学习率的动量
opts.alpha 0.01; % 学习率dbn dbnsetup(dbn, p_train, opts); % 建立模型
dbn dbntrain(dbn, p_train, opts); % 训练模型
————————————————
版权声明本文为CSDN博主「机器学习之心」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。
原文链接https://blog.csdn.net/kjm13182345320/article/details/131174983参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
