中国专业的网站建设,网站ui,企业工商年报网上申报系统官网,wordpress的支付插件分类预测 | MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测#xff08;SE注意力机制#xff09; 目录 分类预测 | MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测#xff08;SE注意力机制#xff09;分类效果基本描述模型描述程序设计参考资料 分类效果 基本描述 1.MATLA…分类预测 | MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测SE注意力机制 目录 分类预测 | MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测SE注意力机制分类效果基本描述模型描述程序设计参考资料 分类效果 基本描述 1.MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测运行环境Matlab2021b及以上 2.基于鲸鱼优化算法WOA、卷积神经网络CNN和双向门控循环单元BiGRU的数据分类预测程序 3.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过WOA优化算法优化学习率、卷积核大小、神经元个数这3个关键参数以测试集精度最高为目标函数 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 4.data为数据集输入12个特征分四类main为主程序其余为函数文件无需运行可在下载区获取数据和程序内容。 5.适用领域适用于各种数据分类场景如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动等领域的识别、诊断和分类。 使用便捷直接使用EXCEL表格导入数据无需大幅修改程序。内部有详细注释易于理解。 模型描述
注意力机制模块 SEBlockSqueeze-and-Excitation Block是一种聚焦于通道维度而提出一种新的结构单元为模型添加了通道注意力机制该机制通过添加各个特征通道的重要程度的权重针对不同的任务增强或者抑制对应的通道以此来提取有用的特征。该模块的内部操作流程如图总体分为三步首先是Squeeze 压缩操作对空间维度的特征进行压缩保持特征通道数量不变。融合全局信息即全局池化并将每个二维特征通道转换为实数。实数计算公式如公式所示。该实数由k个通道得到的特征之和除以空间维度的值而得空间维数为H*W。其次是Excitation激励操作它由两层全连接层和Sigmoid函数组成。如公式所示s为激励操作的输出σ为激活函数sigmoidW2和W1分别是两个完全连接层的相应参数δ是激活函数ReLU对特征先降维再升维。最后是Reweight操作对之前的输入特征进行逐通道加权完成原始特征在各通道上的重新分配。 程序设计
完整程序和数据获取方式私信博主回复MATLAB实现WOA-CNN-BiGRU-Attention数据分类预测SE注意力机制。
%% 优化算法参数设置
SearchAgents_no 8; % 数量
Max_iteration 5; % 最大迭代次数
dim 3; % 优化参数个数
lb [1e-3,10 1e-4]; % 参数取值下界(学习率隐藏层节点正则化系数)
ub [1e-2, 30,1e-1]; % 参数取值上界(学习率隐藏层节点正则化系数)fitness (x)fical(x,num_dim,num_class,p_train,t_train,T_train);[Best_score,Best_pos,curve]WOA(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness)
Best_pos(1, 2) round(Best_pos(1, 2));
best_hd Best_pos(1, 2); % 最佳隐藏层节点数
best_lr Best_pos(1, 1);% 最佳初始学习率
best_l2 Best_pos(1, 3);% 最佳L2正则化系数%% 建立模型
lgraph layerGraph(); % 建立空白网络结构
tempLayers [sequenceInputLayer([num_dim, 1, 1], Name, sequence) % 建立输入层输入数据结构为[num_dim, 1, 1]sequenceFoldingLayer(Name, seqfold)]; % 建立序列折叠层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
tempLayers [convolution2dLayer([3, 1], 16, Name, conv_1, Padding, same) % 建立卷积层,卷积核大小[3, 1]16个特征图reluLayer(Name, relu_1) % Relu 激活层lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers [sequenceUnfoldingLayer(Name, sequnfold) % 建立序列反折叠层flattenLayer(Name, flatten) % 网络铺平层fullyConnectedLayer(num_class, Name, fc) % 全连接层softmaxLayer(Name, softmax) % softmax激活层classificationLayer(Name, classification)]; % 分类层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
lgraph connectLayers(lgraph, seqfold/out, conv_1); % 折叠层输出 连接 卷积层输入
lgraph connectLayers(lgraph, seqfold/miniBatchSize, sequnfold/miniBatchSize); % 折叠层输出连接反折叠层输入
lgraph connectLayers(lgraph, relu_2, sequnfold/in); % 激活层输出 连接 反折叠层输入%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 500,... % 最大训练次数 InitialLearnRate, best_lr,... % 初始学习率为0.001L2Regularization, best_l2,... % L2正则化参数LearnRateSchedule, piecewise,... % 学习率下降LearnRateDropFactor, 0.1,... % 学习率下降因子 0.1LearnRateDropPeriod, 400,... % 经过训练后 学习率为 0.001*0.1Shuffle, 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
net trainNetwork(p_train, t_train, lgraph, options);参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
