Matlab 基于Transformer-LSTM-LSSVM多特征分类预测（多输入单输出）

前程算法屋

已于 2024-09-30 21:15:26 修改

阅读量129

点赞数 6

分类专栏：私信获取源码文章标签： matlab transformer lstm

于 2024-09-30 21:14:58 首次发布

本文链接：https://blog.csdn.net/m0_57362105/article/details/142663980

版权

私信获取源码专栏收录该内容

234 篇文章 15 订阅

订阅专栏

Matlab 基于Transformer-LSTM-LSSVM多特征分类预测（多输入单输出）

分类结果

基本介绍

Matlab 基于Transformer-LSTM-LSSVM多特征分类预测（多输入单输出），运行环境MATLAB2023b及以上。

程序设计

%*****************************************************************************************************************************************************************************************************************
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
%*****************************************************************************************************************************************************************************************************************
%%  导入数据
res = xlsread('data.xlsx');

%%  划分训练集和测试集
temp = randperm(357);
%*****************************************************************************************************************************************************************************************************************
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
%*****************************************************************************************************************************************************************************************************************
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
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 = categorical(T_train)';
t_test  = categorical(T_test )';
%*****************************************************************************************************************************************************************************************************************

%*****************************************************************************************************************************************************************************************************************
%%  参数设置
options = trainingOptions('adam', ...       % Adam 梯度下降算法
    'MiniBatchSize', 100, ...               % 批大小
    'MaxEpochs', 1000, ...                  % 最大迭代次数
    'InitialLearnRate', 1e-2, ...           % 初始学习率
    'LearnRateSchedule', 'piecewise', ...   % 学习率下降
    'LearnRateDropFactor', 0.1, ...         % 学习率下降因子
    'LearnRateDropPeriod', 700, ...         % 经过700次训练后 学习率为 0.01 * 0.1
    'Shuffle', '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);

%%  训练模型
net = trainNetwork(p_train, t_train, layers, options);

%%  仿真预测
t_sim1 = predict(net, p_train); 
t_sim2 = predict(net, p_test ); 
%*****************************************************************************************************************************************************************************************************************
%%  数据反归一化
T_sim1 = vec2ind(t_sim1');
T_sim2 = vec2ind(t_sim2');

%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%%  查看网络结构
analyzeNetwork(net)
%*****************************************************************************************************************************************************************************************************************
%%  数据排序
[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );

T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);
%*****************************************************************************************************************************************************************************************************************
%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
xlim([1, M])
grid
%*****************************************************************************************************************************************************************************************************************
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid

%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
%*****************************************************************************************************************************************************************************************************************    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

参考资料

[1] https://blog.csdn.net/m0_57362105/article/details/128533196?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/m0_57362105/article/details/128528241?spm=1001.2014.3001.5502