网站的重要性,热点新闻事件及评论2023,公司部门介绍,专业小程序开发分类预测 | MATLAB实现CNN-BiGRU-Attention多输入单输出分类预测 目录 分类预测 | MATLAB实现CNN-BiGRU-Attention多输入单输出分类预测预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 Matlab实现CNN-BiGRU-Attention多特征分类预测#xff0c;卷积双向门控循环…分类预测 | MATLAB实现CNN-BiGRU-Attention多输入单输出分类预测 目录 分类预测 | MATLAB实现CNN-BiGRU-Attention多输入单输出分类预测预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 Matlab实现CNN-BiGRU-Attention多特征分类预测卷积双向门控循环单元结合注意力机制分类预测。 1.data为数据集格式为excel12个输入特征输出4类标签 2.MainCNN_BiGRU_AttentionNC.m为主程序文件运行即可 3.可视化展示分类准确率可在下载区获取数据和程序内容 注意程序和数据放在一个文件夹运行环境为Matlab2020b及以上。 模型描述 注意力机制模块 SEBlockSqueeze-and-Excitation Block是一种聚焦于通道维度而提出一种新的结构单元为模型添加了通道注意力机制该机制通过添加各个特征通道的重要程度的权重针对不同的任务增强或者抑制对应的通道以此来提取有用的特征。该模块的内部操作流程如图总体分为三步首先是Squeeze 压缩操作对空间维度的特征进行压缩保持特征通道数量不变。融合全局信息即全局池化并将每个二维特征通道转换为实数。实数计算公式如公式所示。该实数由k个通道得到的特征之和除以空间维度的值而得空间维数为H*W。其次是Excitation激励操作它由两层全连接层和Sigmoid函数组成。如公式所示s为激励操作的输出σ为激活函数sigmoidW2和W1分别是两个完全连接层的相应参数δ是激活函数ReLU对特征先降维再升维。最后是Reweight操作对之前的输入特征进行逐通道加权完成原始特征在各通道上的重新分配。 程序设计
完整程序和数据获取方式1同等价值程序兑换完整程序和数据获取方式2私信博主回复 CNN-BiGRU-Attention多输入分类预测获取。
%% 划分训练集和测试集
P_train res(1: num_train_s, 1: f_);
T_train res(1: num_train_s, f_ 1: end);
M size(P_train, 2);P_test res(num_train_s 1: end, 1: f_);
T_test res(num_train_s 1: end, f_ 1: end);
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, ps_output] mapminmax(T_train, 0, 1);
t_test mapminmax(apply, T_test, ps_output);%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据以及3维数据需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train double(reshape(p_train, f_, 1, 1, M));
p_test double(reshape(p_test , f_, 1, 1, N));
t_train double(t_train);
t_test double(t_test );%% 数据格式转换
for i 1 : MLp_train{i, 1} p_train(:, :, 1, i);
endfor i 1 : NLp_test{i, 1} p_test( :, :, 1, i);
end%% 建立模型
lgraph layerGraph(); % 建立空白网络结构tempLayers [sequenceInputLayer([f_, 1, 1], Name, sequence) % 建立输入层输入数据结构为[f_, 1, 1]sequenceFoldingLayer(Name, seqfold)]; % 建立序列折叠层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers convolution2dLayer([3, 1], 32, Name, conv_1); % 卷积层 卷积核[3, 1] 步长[1, 1] 通道数 32
lgraph addLayers(lgraph,tempLayers); % 将上述网络结构加入空白结构中
%% 赋值
L2Regularization abs(optVars(1)); % 正则化参数
InitialLearnRateabs(optVars(2)); % 初始学习率
NumOfUnits abs(round(optVars(3))); % 隐藏层节点数%% 输入和输出特征个数
inputSize size(input_train, 1); %数据输入x的特征维度
numResponses size(output_train, 1); %数据输出y的维度%% 设置网络结构
opt.layers [ ...sequenceInputLayer(inputSize) %输入层,参数是输入特征维数%% 设置网络参数
opt.options trainingOptions(adam, ... % 优化算法AdamMaxEpochs, 100, ... % 最大训练次数推荐180GradientThreshold, 1, ... %梯度阈值,防止梯度爆炸ExecutionEnvironment,cpu,... %对于大型数据集合、长序列或大型网络在 GPU 上进行预测计算通常比在 CPU 上快。其他情况下在 CPU 上进行预测计算通常更快。InitialLearnRate, InitialLearnRate, ... % 初始学习率LearnRateSchedule, piecewise, ... % 学习率调整LearnRateDropPeriod,120, ... % 训练80次后开始调整学习率LearnRateDropFactor,0.2, ... % 指定初始学习率 0.005在 100 轮训练后通过乘以因子 0.2 来降低学习率。L2Regularization, L2Regularization, ... % 正则化参数Verbose, 0, ... % 关闭优化过程Plots, none); % 不画出曲线 参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129679476?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/129659229?spm1001.2014.3001.5501 [3] https://blog.csdn.net/kjm13182345320/article/details/129653829?spm1001.2014.3001.5501
