分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测

分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测

目录

    • 分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测
      • 预测效果
      • 基本介绍
      • 程序设计
      • 参考资料

预测效果

分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测_第1张图片

分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测_第2张图片
分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测_第3张图片
分类预测 | MATLAB实现GWO-BiLSTM-Attention多输入分类预测_第4张图片

基本介绍

1.GWO-BiLSTM-Attention 数据分类预测程序
2.代码说明:基于灰狼优化算法(GWO)、双向长短期记忆网络(BiLSTM)和注意力机制的数据分类预测程序。
程序平台:要求于Matlab 2023版及以上版本。
特点:
1、多行变量特征输入。
2、GWO优化了学习率、神经元个数等参数,方便增加维度和优化其他参数。(若首轮精度最高,则适应度曲线为水平直线)
3、适用于轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网等领域的识别、诊断和分类。
4.可直接替换数据,使用EXCEL表格导入,无需大幅修改程序。代码内部有详细注释,便于理解程序运行。

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GWO-BiLSTM-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);
%%  个体极值和群体极值
[fitnesszbest, bestindex] = min(fitness);
zbest = pop(bestindex, :);     % 全局最佳
gbest = pop;                   % 个体最佳
fitnessgbest = fitness;        % 个体最佳适应度值
BestFit = fitnesszbest;        % 全局最佳适应度值

%%  迭代寻优
for i = 1 : maxgen
    for j = 1 : sizepop
        
        % 速度更新
        V(j, :) = V(j, :) + c1 * rand * (gbest(j, :) - pop(j, :)) + c2 * rand * (zbest - pop(j, :));
        V(j, (V(j, :) > Vmax)) = Vmax;
        V(j, (V(j, :) < Vmin)) = Vmin;
        
        % 种群更新
        pop(j, :) = pop(j, :) + 0.2 * V(j, :);
        pop(j, (pop(j, :) > popmax)) = popmax;
        pop(j, (pop(j, :) < popmin)) = popmin;
        
        % 自适应变异
        pos = unidrnd(numsum);
        if rand > 0.95
            pop(j, pos) = rands(1, 1);
        end
        
        % 适应度值
        fitness(j) = fun(pop(j, :), hiddennum, net, p_train, t_train);

    end
    
    for j = 1 : sizepop

        % 个体最优更新
        if fitness(j) < fitnessgbest(j)
            gbest(j, :) = pop(j, :);
            fitnessgbest(j) = fitness(j);
        end

        % 群体最优更新 
        if fitness(j) < fitnesszbest
            zbest = pop(j, :);
            fitnesszbest = fitness(j);
        end

    end

    BestFit = [BestFit, fitnesszbest];    
end
————————————————
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。
原文链接:https://blog.csdn.net/kjm13182345320/article/details/130462492


参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129679476?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/129659229?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129653829?spm=1001.2014.3001.5501

你可能感兴趣的:(分类预测,GWO-BiLSTM-Att,GWO-BiLSTM,Attention,多输入分类预测)