分类预测 | Matlab实现CNN-SVM卷积支持向量机多特征分类预测

分类预测 | Matlab实现CNN-SVM卷积支持向量机多特征分类预测

基本介绍

Matlab实现CNN-SVM多特征分类预测。基于深度学习理论，提出将卷积神经网络算法结合SVM 分类器搭建适于深度卷积神经网络模型。从原始数据特征出发，模型逐层学习实现特征提取与类型识别，引入批量归一化、Dropout 处理并改进模型分类器来提升轴模式识别准确率、模型收敛速度和泛化能力。

研究回顾

• 基于数据驱动的机器学习方法特征进行分类识别算法有: 支持向量机( Support Vector Machine，SVM) 、人工神经网络( Artificial Neural Network，ANN) 、K邻近算法( k-Nearest Neighbor，KNN) 等，识别效果取决于特征能否准确地反映出类型的本质区别，但基于模式识别的“浅层网络”模型表达能力有限、泛化能力不足。
• 而深度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理技术依赖的同时也满足了工业大数据背景下海量、高维数据的分析需求。使用深度学习的经典算法－ 卷积神经网络( Convolutional Neural Network，CNN) ，并将支持向量机
  融入模型，引入深度学习的模型优化技术，提出CNN-SVM 深度卷积神经网络模型。

模型设计

• CNN卷积神经网络
  
• SVM支持向量机

卷积池化后的特征图进入全连接层进行分类，首先需将卷积后的特征图光栅化为一维向量，使得局部特征在更高维度上进行全局信息整合。引入针对小样本数据分类效果更为稳定的SVM 分类器。SVM 是建立在统计学习理论和结构风险最小化原理基础上的机器学习算法，通过定义适当的核函数实现非线性变换将输入空间变换到线性可分的高维空间，找到高维空间的最优线性超平面。

模型结构

为了获得丰富的感受野以提取到更多的有效特征，同时避免冗余的计算，卷积核的大小和数量须适当，逐层减小的卷积核可以有效地压缩模型的参数。

程序设计

• 完整源码和数据：CNN-SVM卷积支持向量机多特征分类预测。

学习总结

基于深度学习理论的卷积神经网络模型，通过逐层卷积学习到特征，实现不同类型识别，使用SVM 分类器优化模型，可显著提升模型收敛速度与分类准确率，有较强的泛化性。