分类预测 | Matlab实现CPO-PNN冠豪猪算法优化概率神经网络多特征分类预测

分类预测 | Matlab实现CPO-PNN冠豪猪算法优化概率神经网络多特征分类预测

分类效果

基本介绍

1.Matlab实现CPO-PNN冠豪猪算法优化概率神经网络多特征分类预测，运行环境Matlab2018b及以上；

2.输入12个特征，输出分4类，可视化展示分类准确率，可在下载区获取数据和程序内容；

3.优化参数为PNN的散布值；

4.data为数据集，main为主程序，分类效果如下：

注：程序和数据放在一个文件夹。

程序设计

• 私信回复Matlab实现CPO-PNN冠豪猪算法优化概率神经网络多特征分类预测

%% 基于冠豪猪优化算法-概率神经网络(CPO-PNN)的多分类代码
%%  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('data.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）
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_classmid_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 = ind2vec(T_train);
t_test  = ind2vec(T_test );%%  优化算法参数设置%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;%%  绘图
figure()
plot(T_sim1,'ro','linewidth',1)    
hold on
plot(T_train,'b-+','linewidth',1)           
legend('预测值','真实值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
xlim([1, M])
gridfigure
plot(T_sim2,'ro','linewidth',2)    
hold on
plot(T_test,'b-+','linewidth',2)  
legend('预测值','真实值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid%%  适应度曲线
figure
plot(1 : length(BestCost), BestCost,'r', 'LineWidth', 1.5);
title('适应度曲线', 'FontSize', 15);
xlabel('迭代次数', 'FontSize', 15);
ylabel('适应度值', 'FontSize', 15);
xlim([1, length(BestCost)]);
grid on;%%  混淆矩阵
if flag_conusion == 1figurecm = confusionchart(T_train, T_sim1);cm.Title = 'Confusion Matrix for Train Data';cm.ColumnSummary = 'column-normalized';cm.RowSummary = 'row-normalized';figurecm = confusionchart(T_test, T_sim2);cm.Title = 'Confusion Matrix for Test Data';cm.ColumnSummary = 'column-normalized';cm.RowSummary = 'row-normalized';
end