GCN基于图卷积神经网络多特征分类预测(多输入单输出) Matlab代码

GCN基于图卷积神经网络多特征分类预测(多输入单输出) Matlab代码

分类效果

基本描述

基于图卷积神经网络GCN多特征分类预测(多输入单输出) Matlab代码
图卷积神经网络可以有效地从大量样本中学习到相应的特征，避免了复杂的特征提取过程。另外图卷积神经网络通过简单的非线性模型从原始数据中提取更加抽象的特征，在整个过程中只需少量的人工参与，所以采用图卷积神经网络对不同故障特征进行分类具有不错的分类效果。
1、运行环境要求MATLAB版本为2023B及 其以上。
2、代码中文注释清晰，质量极高
3、运行结果图包括分类效果图,迭代优化图，混淆矩阵图等,赠送测试数据集，可以直接运行源程序。适合新手小白。

注：程序和数据放在一个文件夹。

程序设计

• 完整程序和数据私信博主回复基于图卷积神经网络GCN多特征分类预测(多输入单输出) Matlab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%%  导入数据
res = xlsread('数据集.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）
outdim = 1;                                  % 最后一列为输出
f_ = size(res, 2) - outdim;                  % 输入特征维度
%%  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%%  得到训练集和测试样本个数
M = size(P_train, 1);
N = size(P_test , 1);%% 数据预处理
% 数据预处理,将训练集和测试集归一化到[0,1]区间
[mtrain,ntrain] = size(P_train);
[mtest,ntest] = size(P_test);
dataset = [P_train;P_test];
% mapminmax为MATLAB自带的归一化函数
[dataset_scale,ps] = mapminmax(dataset',0,1);
dataset_scale = dataset_scale';
P_train = dataset_scale(1:mtrain,:);
P_test = dataset_scale( (mtrain+1):(mtrain+mtest),: );

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229