目录
本代码基于Matlab平台编译,将卷积神经网络(CNN)与双向长短期记忆神经网络(Bi-LSTM)结合,进行数据回归预测
输入训练的数据包含18个特征,1个响应值,即通过18个输入值预测1个输出值(多变量、多输入回归预测)
归一化训练数据,提升网络泛化性
通过CNN神经网络提取数据的特征,然后输入Bi-LSTM进行预测回归,提升整体网络的性能
训练CNN-Bi_LSTM网络,可自行指定各种参数,修改方便
迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况
自动输出多种多样的的误差评价指标,自动输出大量实验效果图片
注释详细,几乎每一关键行都有注释说明,适合小白起步学习
直接运行Main函数即可看到所有结果,使用便捷
编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码
所有数据均采用Excel格式输入,替换数据方便,适合懒人选手
出图详细、丰富、美观,可直观查看运行效果
附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明
clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共1800个样本(每一行表示一个样本)
% 2. 每个样本18个特征值(即前18列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第19列为表示样本的响应值,即被预测的变量)
%% 划分训练集和测试集
Temp = randperm(size(Data,1)); % 打乱数据的顺序,提升模型的泛化性。
InPut_num = 1:1:18; % 输入特征个数,数据表格中前18列为输入值,因此设置为1:1:18,若前5个为输入则设置为1:1:5
OutPut_num = 19; % 输出响应个数,本例仅一个响应值,为数据表格中第19个,若多个响应值参照上行数据格式设置为x:1:y
% 选取前1700个样本作为训练集,后100个样本作为测试集,即(1:1700),和(1701:end)
Train_InPut = Data(Temp(1:1700),InPut_num); % 训练输入
Train_OutPut = Data(Temp(1:1700),OutPut_num); % 训练输出
Test_InPut = Data(Temp(1701:end),InPut_num); % 测试输入
Test_OutPut = Data(Temp(1701:end),OutPut_num); % 测试输出
clear Temp;
%% 数据归一化
% 将输入特征数据归一化到0-1之间
[~, Ps.Input] = mapminmax([Train_InPut;Test_InPut]',0,1);
Train_InPut = mapminmax('apply',Train_InPut',Ps.Input);
Test_InPut = mapminmax('apply',Test_InPut',Ps.Input);
% 将输出响应数据归一化到0-1之间
[~, Ps.Output] = mapminmax([Train_OutPut;Test_OutPut]',0,1);
Train_OutPut = mapminmax('apply',Train_OutPut',Ps.Output);
Test_OutPut = mapminmax('apply',Test_OutPut',Ps.Output);
Temp_TrI = cell(size(Train_InPut,2),1);
Temp_TrO = cell(size(Train_OutPut,2),1);
Temp_TeI = cell(size(Test_InPut,2),1);
Temp_TeO = cell(size(Test_OutPut,2),1);
% 转为cell格式
for i = 1:size(Train_InPut,2)
Temp_TrI{i} = Train_InPut(:,i);
Temp_TrO{i} = Train_OutPut(:,i);
end
Train_InPut = Temp_TrI;
Train_OutPut = Temp_TrO;
for i = 1:size(Test_InPut,2)
Temp_TeI{i} = Test_InPut(:,i);
Temp_TeO{i} = Test_OutPut(:,i);
end
Test_InPut = Temp_TeI;
Test_OutPut = Temp_TeO;
clear Temp_TrI Temp_TrO Temp_TeI Temp_TeO;