【CEEMDAN-VMD-TCN-Attention】双重分解+时间卷积神经网络结合多头注意力机制多变量时序预测，多变量输入模型。matlab代码，2023a及其以上。1.CEEMDAN分解，计算

【CEEMDAN-VMD-TCN-Attention】双重分解+时间卷积神经网络结合多头注意力机制多变量时序预测，多变量输入模型。matlab代码，2023a及其以上。

1.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量二次分解，VMD分解的高频分量与前分量作为时间卷积神经网络模型结合多头注意力机制的目标输出分别预测后相加。

2.CEEMDAN-VMD-TCN-multihead-Attention模型处理数据，具有更高的准确率，能够跟踪数据的趋势以及变化。VMD 模型处理非线性、非平稳以及复杂的数据，表现得比EMD 系列更好，因此将重构的数据通过VMD 模型分解，提高了模型的准确度。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

%% 设置网络参数

numFilters = 16; % 卷积核个数

filterSize = 3; % 卷积核大小

dropoutFactor = 0.05; % 空间丢失因子

numBlocks = 1; % 残差块个数

numFeatures = f_; % 特征个数

%% 输入层结构

layer = sequenceInputLayer(numFeatures, Normalization = "rescale-symmetric", Name = "input");

%% 将输入层加入空白网络

lgraph = layerGraph(layer);

outputName = layer.Name;

%% 建立网络结构 -- 残差块

for i = 1 : numBlocks

dilationFactor = 2 ^(i - 1); % 膨胀因子

% 建立网络结构

layers = [

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, ...

Padding = "causal", Name="conv1_" + i) % 一维卷积层

layerNormalizationLayer % 层归一化

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

convolution1dLayer(filterSize, numFilters, ...

DilationFactor = dilationFactor, Padding = "causal") % 一维卷积层

layerNormalizationLayer % 层归一化

reluLayer % 激活层

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

additionLayer(2, Name = "add_" + i)]; % 合并层

lgraph = addLayers(lgraph, layers); % 将卷积层加入到网络

lgraph = connectLayers(lgraph, outputName, "conv1_" + i); % 将模块的卷积层首层和残差结构连接

% 残差连接 -- 首层

if i == 1

layer = convolution1dLayer(1, numFilters, Name = "convSkip"); % 建立残差卷积层

lgraph = addLayers(lgraph, layer); % 将残差卷积层加入到网络

lgraph = connectLayers(lgraph, outputName, "convSkip"); % 将残差卷积层

lgraph = connectLayers(lgraph, "convSkip", "add_" + i + "/in2"); % 将跳跃残差层连接到 addtion 层 输入口2

else

lgraph = connectLayers(lgraph, outputName, "add_" + i + "/in2"); % 将残差层连接到 addtion 层 输入口2

end

% 更新输出层名字

outputName = "add_" + i;

end

智能算法及其模型预测