【TTAO-CNN-LSTM-Attention预测】基于三角拓扑聚合算法优化卷积神经网络结合注意力机制的长短记忆网络实现风电功率多输入单输出回归预测附matlab代码

% 设置参数
inputSize = 10; % 输入序列的大小
numHiddenUnits = 200; % LSTM隐藏单元的数量
maxEpochs = 50; % 最大迭代次数
miniBatchSize = 64; % Mini-batch大小

% 加载数据（假设数据已经准备好，包括训练集和测试集）
load(‘train_data.mat’); % 训练集数据
load(‘train_labels.mat’); % 训练集标签
load(‘test_data.mat’); % 测试集数据
load(‘test_labels.mat’); % 测试集标签

% 构建模型
layers = [ …
sequenceInputLayer(inputSize)
convolution2dLayer([1 3], 64, ‘Padding’, ‘same’)
reluLayer
lstmLayer(numHiddenUnits, ‘OutputMode’, ‘last’)
fullyConnectedLayer(1)
regressionLayer];

% 设置训练选项
options = trainingOptions(‘adam’, …
‘MaxEpochs’, maxEpochs, …
‘MiniBatchSize’, miniBatchSize, …
‘InitialLearnRate’, 0.001, …
‘GradientThreshold’, 1, …
‘Shuffle’, ‘every-epoch’, …
‘Verbose’, 1, …
‘Plots’, ‘training-progress’);

% 训练模型
net = trainNetwork(train_data, train_labels, layers, options);

% 测试模型
predicted_labels = predict(net, test_data);

% 计算预测结果的均方根误差（RMSE）
rmse = sqrt(mean((predicted_labels - test_labels).^2));
fprintf(‘测试集的均方根误差（RMSE）: %.4f\n’, rmse);