红色基调网站,哈尔滨市人社app,整合营销策略有哪些,wordpress淘宝客防被k时序预测 | MATLAB实现CNN-BiGRU-Attention时间序列预测 目录 时序预测 | MATLAB实现CNN-BiGRU-Attention时间序列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时间序列预测#xff0c;CNN-BiGRU-Attention结合注意力机制时…时序预测 | MATLAB实现CNN-BiGRU-Attention时间序列预测 目录 时序预测 | MATLAB实现CNN-BiGRU-Attention时间序列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时间序列预测CNN-BiGRU-Attention结合注意力机制时间序列预测。 模型描述 Matlab实现CNN-BiGRU-Attention时间序列预测 1.data为数据集格式为excel单变量时间序列预测 2.CNN_BiGRU_AttentionTS.m为主程序文件运行即可 3.命令窗口输出R2、MAE、MAPE、MSE和MBE 注意程序和数据放在一个文件夹运行环境为Matlab2021b及以上。 注意程序和数据放在一个文件夹运行环境为Matlab2021b及以上。 4.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MATLAB实现CNN-BiGRU-Attention时间序列预测获取。 gruLayer(32,OutputMode,last,Name,bil4,RecurrentWeightsInitializer,He,InputWeightsInitializer,He)dropoutLayer(0.25,Name,drop2)% 全连接层fullyConnectedLayer(numResponses,Name,fc)regressionLayer(Name,output) ];layers layerGraph(layers);layers connectLayers(layers,fold/miniBatchSize,unfold/miniBatchSize);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount0mydevice gpu;
elsemydevice cpu;
endoptions trainingOptions(adam, ...MaxEpochs,MaxEpochs, ...MiniBatchSize,MiniBatchSize, ...GradientThreshold,1, ...InitialLearnRate,learningrate, ...LearnRateSchedule,piecewise, ...LearnRateDropPeriod,56, ...LearnRateDropFactor,0.25, ...L2Regularization,1e-3,...GradientDecayFactor,0.95,...Verbose,false, ...Shuffle,every-epoch,...ExecutionEnvironment,mydevice,...Plots,training-progress);
%% 模型训练
rng(0);
net trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred predict(net,XrTest,ExecutionEnvironment,mydevice,MiniBatchSize,numFeatures);
YPred YPred;
% 数据反归一化
YPred sig.*YPred mu;
YTest sig.*YTest mu;
————————————————
版权声明本文为CSDN博主「机器学习之心」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。参考资料 [1] http://t.csdn.cn/pCWSp [2] https://download.csdn.net/download/kjm13182345320/87568090?spm1001.2014.3001.5501 [3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm1001.2014.3001.5501
