门控循环单元(GRU)-多输入时序预测

目录

一、程序及算法内容介绍:

基本内容:

亮点与优势:

二、实际运行效果:

三、部分代码:

四、完整代码+数据下载:


一、程序及算法内容介绍:

基本内容:

  • 本代码基于Matlab 平台编译,使用门控循环单元(GRU),进行数据回归预测

  • 输入训练的数据包含8 个特征,1 个响应值,即通过8 个输入值预测1 个输出值(多输入时序回归预测

  • 归一化训练数据,提升网络泛化性

  • 通过**门控循环单元(GRU)**提取数据的特征,进行预测回归,提升整体网络的性能

  • 训练**门控循环单元(GRU)**网络,可自行指定各种参数,修改方便

  • 迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况

  • 自动输出多种多样的的误差评价指标,自动输出大量实验效果图片

亮点与优势:

  • 注释详细,几乎每一关键行都有注释说明,适合小白起步学习

  • 直接运行Main函数即可看到所有结果,使用便捷

  • 编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码

  • 所有数据均采用Excel格式输入,替换数据方便,适合懒人选手

  • 出图详细、丰富、美观,可直观查看运行效果

  • 附带详细的说明文档,其内容包括:算法原理+使用方法说明

二、实际运行效果:

三、部分代码:

复制代码
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共472个样本(每一行表示一个样本)
% 2. 每个样本8个特征值(即前8列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第9列为表示样本的响应值,即被预测的变量)

%% 划分训练集和测试集
InPut_num = 1:1:8; % 输入特征个数,数据表格中前8列为输入值,因此设置为1:1:8,若前5个为输入则设置为1:1:5
OutPut_num = 9; % 输出响应个数,本例仅一个响应值,为数据表格中第9个,若多个响应值参照上行数据格式设置为x:1:y

% 选取前376个样本作为训练集,后96个样本作为测试集,即(1:376),和(377:end)
Train_InPut = Data(1:376,InPut_num); % 训练输入
Train_OutPut = Data(1:376,OutPut_num); % 训练输出
Test_InPut = Data(377:end,InPut_num); % 测试输入
Test_OutPut = Data(377:end,OutPut_num); % 测试输出
clear Temp;

%% 数据归一化
% 将数据归一化到0-1之间
Temp = [Train_OutPut;Test_OutPut];
[~, Ps] = mapminmax(Temp',0,1); 
% 归一化训练输入值
Sc = size(Train_InPut);
Temp = reshape(Train_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Train_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化测试输入值
Sc = size(Test_InPut);
Temp = reshape(Test_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Test_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化训练输出值
Train_OutPut = mapminmax('apply',Train_OutPut',Ps);
% 归一化测试输出值
Test_OutPut = mapminmax('apply',Test_OutPut',Ps);

四、完整代码+数据下载:

相关推荐
金井PRATHAMA5 小时前
描述逻辑(Description Logic)对自然语言处理深层语义分析的影响与启示
人工智能·自然语言处理·知识图谱
Rock_yzh5 小时前
AI学习日记——参数的初始化
人工智能·python·深度学习·学习·机器学习
拆房老料6 小时前
Transformer推理优化全景:从模型架构到硬件底层的深度解析
深度学习·ai·自然语言处理·transformer
CiLerLinux6 小时前
第四十九章 ESP32S3 WiFi 路由实验
网络·人工智能·单片机·嵌入式硬件
七芒星20238 小时前
多目标识别YOLO :YOLOV3 原理
图像处理·人工智能·yolo·计算机视觉·目标跟踪·分类·聚类
Learn Beyond Limits8 小时前
Mean Normalization|均值归一化
人工智能·神经网络·算法·机器学习·均值算法·ai·吴恩达
byzy8 小时前
【论文笔记】VisionPAD: A Vision-Centric Pre-training Paradigm for Autonomous Driving
论文阅读·深度学习·计算机视觉·自动驾驶
ACERT3339 小时前
5.吴恩达机器学习—神经网络的基本使用
人工智能·python·神经网络·机器学习
C嘎嘎嵌入式开发9 小时前
(一) 机器学习之深度神经网络
人工智能·神经网络·dnn
Aaplloo9 小时前
【无标题】
人工智能·算法·机器学习