网站建设空间和服务器方式,如何制作网址链接,平台网站 备案吗,关于网站建设的入门书多维时序 | MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测#xff08;SE注意力机制#xff09; 目录 多维时序 | MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测#xff08;SE注意力机制#xff09;预测效果基本描述模型描述程序设计参考资料 预测效果 基本…多维时序 | MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测SE注意力机制 目录 多维时序 | MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测SE注意力机制预测效果基本描述模型描述程序设计参考资料 预测效果 基本描述 1.MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测SE注意力机制 2.运行环境为Matlab2021b 3.data为数据集excel数据输入多个特征输出单个变量考虑历史特征的影响多变量时间序列预测 main.m为主程序运行即可,所有文件放在一个文件夹 4.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价 5.麻雀算法优化学习率隐藏层节点正则化系数 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私信博主回复MATLAB实现SSA-CNN-BiGRU-Attention多变量时间序列预测SE注意力机制。
%% 优化算法参数设置
SearchAgents_no 8; % 数量
Max_iteration 5; % 最大迭代次数
dim 3; % 优化参数个数
lb [1e-3,10 1e-4]; % 参数取值下界(学习率隐藏层节点正则化系数)
ub [1e-2, 30,1e-1]; % 参数取值上界(学习率隐藏层节点正则化系数)fitness (x)fical(x,num_dim,num_class,p_train,t_train,T_train);[Best_score,Best_pos,curve]SSA(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness)
Best_pos(1, 2) round(Best_pos(1, 2));
best_hd Best_pos(1, 2); % 最佳隐藏层节点数
best_lr Best_pos(1, 1);% 最佳初始学习率
best_l2 Best_pos(1, 3);% 最佳L2正则化系数%% 建立模型
lgraph layerGraph(); % 建立空白网络结构
tempLayers [sequenceInputLayer([num_dim, 1, 1], Name, sequence) % 建立输入层输入数据结构为[num_dim, 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], 16, Name, conv_1, Padding, same) % 建立卷积层,卷积核大小[3, 1]16个特征图reluLayer(Name, relu_1)
tempLayers [sequenceUnfoldingLayer(Name, sequnfold) % 建立序列反折叠层flattenLayer(Name, flatten) % 网络铺平层fullyConnectedLayer(num_class, Name, fc) % 分类层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
lgraph connectLayers(lgraph, seqfold/out, conv_1); % 折叠层输出 连接 卷积层输入
lgraph connectLayers(lgraph, seqfold/miniBatchSize, sequnfold/miniBatchSize); %% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 500,... % 最大训练次数 InitialLearnRate, best_lr,... % 初始学习率为0.001L2Regularization, best_l2,... % L2正则化参数LearnRateSchedule, piecewise,... % 学习率下降LearnRateDropFactor, 0.1,... % 学习率下降因子 0.1LearnRateDropPeriod, 400,... % 经过训练后 学习率为 0.001*0.1Shuffle, every-epoch,... % 每次训练打乱数据集ValidationPatience, Inf,... % 关闭验证Plots, training-progress,... % 画出曲线Verbose, false);%% 训练
net trainNetwork(p_train, t_train, lgraph, options);参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
