基于贝叶斯(bayes)优化卷积神经网络-门控循环单元(CNN-GRU)分类预测，bayes-CNN-GRU多特征输入模型。

优化参数为：学习率，隐含层节点，正则化参数。多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

%% 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

%% 读取数据

res = xlsread('数据集.xlsx');

%% 分析数据

num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别）

num_dim = size(res, 2) - 1; % 特征维度

num_res = size(res, 1); % 样本数（每一行，是一个样本）

num_size = 0.7; % 训练集占数据集的比例

res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行）

flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%% 设置变量存储数据

P_train = []; P_test = [];

T_train = []; T_test = [];

%% 划分数据集

for i = 1 : num_class

mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本

mid_size = size(mid_res, 1); % 得到不同类别样本个数

mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数

P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入

T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出

P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入

T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出

end

%% 数据转置

P_train = P_train'; P_test = P_test';

T_train = T_train'; T_test = T_test';

%% 得到训练集和测试样本个数

M = size(P_train, 2);

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 )';

%% 数据平铺

% 将数据平铺成1维数据只是一种处理方式

% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构

% 但是应该始终和输入层数据结构保持一致

P_train = double(reshape(P_train, num_dim, 1, 1, M));

P_test = double(reshape(P_test , num_dim, 1, 1, N));

%% 数据格式转换

for i = 1 : M

p_train{i, 1} = P_train(:, :, 1, i);

end

for i = 1 : N

p_test{i, 1} = P_test( :, :, 1, i);

end

%% 优化算法参数设置

%参数取值上界(学习率，隐藏层节点，正则化系数)

fitness = @fical;

%% 贝叶斯优化参数范围

optimVars = [

optimizableVariable('NumOfUnits', [10, 50], 'Type', 'integer')