【独家原创】基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码


目录
  • 【独家原创】基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码
  • 分类效果
  • 基本描述
  • 程序设计
  • 参考资料


分类效果

【独家原创】基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码_transformer

【独家原创】基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码_分类_02

基本描述

[24年最新算法] [ 独家原创]基于APO-Transformer-L STM多特征分类预测(多 输入单输出) Matlab代码，北极海鹦优化算法(APO);发表在SCI二区期刊《Advances in
Engineering Software》;发表时间为2024年9月(见刊)。
[独家原创] APO-Transformer-L STM分类Matlab代码基于北极海鹦优化算法优化Transformer结合长短期记忆神经网络，Matlab代码， 可直接运行，适合小白新手。
1.程序已经调试好，无需更改代码替换数据集即可运行! ! !数据格式为excel!
2.Transformer作为一-种创新的神经网络结构，深受欢迎。采用Transformer编码器对光伏、负荷数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘，可以提高光伏功率、负荷预测的准确性。
3.APO作为24年新算法，北极海鹦优化算法(Arctic Puffin Optimization, APO)是一种新型的元启发式算法(智能优化算法)，模拟了北极海鹦的空中飞行和水下觅食行为。这个算法夹杂了许多策略，发表的期刊等级也比较高,值得一-试! 该成果由Wen-chuan Wang等人于2024年9月发表在SCI二区期刊《Advances in Engineering Software》.上目前没人用， 需要论文的抓紧了!这就是机会!
1、运行环境要求MATLAB版本为2023b及其以 上。[ 如果没有可私信我,我赠送]
2、代码中文注释清晰，质量极高
3、运行结果图包括分类效果图,迭代优化图,混淆矩阵图等.

【独家原创】基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码_数据集_03

注：程序和数据放在一个文件夹。

程序设计
  • 完整程序和数据私信博主回复基于APO-Transformer-LSTM多特征分类预测（多输入单输出）Matlab代码。
%%  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('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_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）
outdim = 1;                                  % 最后一列为输出
f_ = size(res, 2) - outdim;                  % 输入特征维度
%%  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


%%  得到训练集和测试样本个数
M = size(P_train, 1);
N = size(P_test , 1);

%% 数据预处理
% 数据预处理,将训练集和测试集归一化到[0,1]区间
[mtrain,ntrain] = size(P_train);
[mtest,ntest] = size(P_test);
dataset = [P_train;P_test];
% mapminmax为MATLAB自带的归一化函数
[dataset_scale,ps] = mapminmax(dataset',0,1);
dataset_scale = dataset_scale';
P_train = dataset_scale(1:mtrain,:);
P_test = dataset_scale( (mtrain+1):(mtrain+mtest),: );
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49.