基于PSO优化的CNN多输入分类预测（Matlab）粒子群算法优化卷积神经网络分类预测
目录
一、程序及算法内容介绍：
基本内容：
亮点与优势：
二、实际运行效果：
三、部分代码：
四、完整代码+数据下载：
一、程序及算法内容介绍：
基本内容：
-
本代码基于Matlab平台编译，将PSO(粒子群算法)与CNN（卷积神经网络）结合，进行多输入数据分类预测
-
输入训练的数据包含12个特征，1个响应值，即通过12个输入值预测1个输出值（多变量分类预测，输入输出个数可自行指定）
-
归一化训练数据，提升网络泛化性
-
通过PSO算法优化CNN网络的学习率、卷积核个数参数，记录下最优的网络参数
-
训练CNN网络进行回归预测，实现更加精准的预测
-
迭代计算过程中，自动显示优化进度条，实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标，自动输出大量实验效果图片
亮点与优势：
-
注释详细，几乎每一关键行都有注释说明，适合小白起步学习
-
直接运行Main函数即可看到所有结果，使用便捷
-
编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码
-
所有数据均采用Excel格式输入，替换数据方便，适合懒人选手
-
出图详细、丰富、美观，可直观查看运行效果
-
附带详细的说明文档（下图），其内容包括：算法原理+使用方法说明
二、实际运行效果：
三、部分代码：
clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含：
% 1. 总共357个样本（每一行表示一个样本）
% 2. 每个样本12个特征值（即前12列每一列表示样本的一个特征，即输入的变量）
% 3. 每个样本1个响应值（第13列为表示样本的响应值，即被预测的变量）%% 划分训练集和测试集
Temp = randperm(size(Data,1)); % 打乱数据的顺序，提升模型的泛化性。
InPut_num = 1:1:12; % 输入特征的列数，数据表格中前12列为输入值，因此设置为1:1:12，若前5个为输入则设置为1:1:5
OutPut_num = 13; % 输出响应列数，本例仅一个响应值，为数据表格中第13列，若多个响应值参照上行数据格式设置为x:1:y% 选取前327个样本作为训练集，后30个样本作为测试集，即（1：327），和（328：end）
Train_InPut = Data(Temp(1:327),InPut_num); % 训练输入
Train_OutPut = Data(Temp(1:327),OutPut_num); % 训练输出
Test_InPut = Data(Temp(328:end),InPut_num); % 测试输入
Test_OutPut = Data(Temp(328:end),OutPut_num); % 测试输出%% 数据归一化
% 将输入特征数据归一化到0-1之间
[~, Ps] = mapminmax([Train_InPut;Test_InPut]',0,1);
Train_InPut = mapminmax('apply',Train_InPut',Ps);
Test_InPut = mapminmax('apply',Test_InPut',Ps);四、完整代码+数据下载：
