基于贝叶斯(bayes)优化卷积神经网络-双向门控循环单元(CNN-BIGRU)回归预测，bayes-CNN-BIGRU多输入单输出模型。优化参数为：学习率，隐含层节点，正则化参数。评价指标包

最新推荐文章于 2024-10-05 22:26:02 发布

智能算法及其模型预测

最新推荐文章于 2024-10-05 22:26:02 发布

阅读量113

点赞数

文章标签： cnn gru 回归

本文链接：https://blog.csdn.net/qq_43916303/article/details/131586995

版权

该文段展示了在MATLAB环境中进行数据预处理的步骤，包括数据导入、归一化处理以及数据平铺，为机器学习模型准备输入。接着，文章提到了使用贝叶斯优化来设定神经网络的参数，如隐藏层节点数。整个过程旨在优化模型性能。

摘要由CSDN通过智能技术生成

%% 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

P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

M = size(P_train, 2);
N = size(P_test, 2);
f_ = size(P_train, 1);
outdim = 1; % 最后一列为输出
%% 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);

%% 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, f_, 1, 1, M));
p_test = double(reshape(p_test , f_, 1, 1, N));
t_train = double(t_train)';
t_test = double(t_test )';

%% 数据格式转换
for i = 1 : M
Lp_train{i, 1} = p_train(:, :, 1, i);
end

for i = 1 : N
Lp_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')

智能算法及其模型预测