Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型分类预测Matlab实现

数据预处理：支持数据读取、归一化、类别平衡划分、格式转换。
模型构建 ：实现五种模型：
- BiLSTM
- CNN
- CNN-BiLSTM
- Transformer
- Transformer-BiLSTM
训练与评估：自动训练并计算多项性能指标（准确率、精确率、召回率、F1、AUC）。
可视化对比：生成综合对比图、分类效果图、混淆矩阵等。
结果保存：保存模型、预测结果和评估指标。

数据流 ：

复制代码

原始数据 → 预处理 → 格式转换 → 模型训练 → 预测 → 评估 → 可视化

模型结构 ：
- CNN：卷积层 + 池化层 + 全连接层。
- BiLSTM：双向LSTM + Dropout。
- Transformer：位置编码 + 自注意力层 + 全连接层。
- 混合模型：CNN提取特征 + BiLSTM/Transformer处理时序依赖。

BiLSTM ：
ht=LSTM(xt,ht−1)（正向） h_t = \text{LSTM}(x_t, h_{t-1}) \quad \text{（正向）} ht=LSTM(xt,ht−1)（正向）
ht′=LSTM(xt,ht+1′)（反向） h_t' = \text{LSTM}(x_t, h_{t+1}') \quad \text{（反向）} ht′=LSTM(xt,ht+1′)（反向）
Ht=[ht;ht′] H_t = [h_t; h_t'] Ht=[ht;ht′]
自注意力（Transformer） ：
Attention(Q,K,V)=softmax(QKTdk)V \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V Attention(Q,K,V)=softmax(dk QKT)V
CNN卷积操作 ：
yi,j=∑m∑nwm,n⋅xi+m,j+n+b y_{i,j} = \sum_{m} \sum_{n} w_{m,n} \cdot x_{i+m, j+n} + b yi,j=m∑n∑wm,n⋅xi+m,j+n+b
评估指标：
- 准确率：TP+TN总样本数\frac{TP+TN}{总样本数}总样本数TP+TN
- F1分数：2⋅精确率⋅召回率精确率+召回率\frac{2 \cdot \text{精确率} \cdot \text{召回率}}{\text{精确率} + \text{召回率}}精确率+召回率2⋅精确率⋅召回率
- AUC：ROC曲线下面积。

完整代码私信回复Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型分类预测Matlab实现