Bayes-TCN-GRU+SHAP分析，贝叶斯优化时间卷积门控循环单元分类预测可解释性分析！Matlab代码

MATLAB 代码实现了一个基于 贝叶斯优化（Bayesian Optimization） 的 TCN-GRU 混合神经网络，用于分类任务。

分类在工业监控、金融预测、医学诊断等领域具有重要应用。

传统 TCN（时序卷积网络）与 GRU（门控循环单元）结合可兼顾长期依赖提取与局部特征建模，但超参数调优困难。

本文采用贝叶斯优化自动搜索最佳超参数，提升模型性能与泛化能力。

数据准备
- 读取 Excel 数据，随机打乱，按类别分层划分训练集（70%）与测试集（30%）。
数据预处理
- 特征归一化到 [0,1]，标签转换为 categorical 格式，并组织成 cell 序列输入。
贝叶斯超参数优化
- 定义优化变量：卷积核数量、卷积核尺寸、dropout、残差块数、GRU 单元数、学习率、学习率衰减因子。
- 优化目标：最小化验证集分类误差（1-准确率）。
- 限制优化轮数与时间，记录最优参数。
模型构建与训练
- 根据最优参数构建 TCN‑GRU 网络（自定义函数 createTCNGRUNetwork）。
- 使用 Adam 优化器，训练 120 轮，学习率分段衰减。
- 监控训练过程，绘制训练曲线。
模型评估
- 计算训练集与测试集的分类准确率。
- 绘制预测结果对比图与混淆矩阵。
可解释性分析
- 对测试集部分样本计算 SHAP 值，绘制特征重要性图与特征依赖图。
结果保存
- 保存优化结果、最佳参数、准确率。

TCN 残差块 ：
z = ReLU ( Conv1D ( x ) + x ) \mathbf{z} = \text{ReLU}(\text{Conv1D}(\mathbf{x}) + \mathbf{x}) z=ReLU(Conv1D(x)+x)
通过跳跃连接缓解梯度消失。
GRU 更新机制 ：
r t = σ ( W r x t + U r h t − 1 + b r ) \mathbf{r}_t = \sigma(\mathbf{W}_r \mathbf{x}_t + \mathbf{U}r \mathbf{h}{t-1} + \mathbf{b}_r) rt=σ(Wrxt+Urht−1+br)
z t = σ ( W z x t + U z h t − 1 + b z ) \mathbf{z}_t = \sigma(\mathbf{W}_z \mathbf{x}_t + \mathbf{U}z \mathbf{h}{t-1} + \mathbf{b}_z) zt=σ(Wzxt+Uzht−1+bz)
h ~ t = tanh ⁡ ( W h x t + U h ( r t ⊙ h t − 1 ) + b h ) \tilde{\mathbf{h}}_t = \tanh(\mathbf{W}_h \mathbf{x}_t + \mathbf{U}_h (\mathbf{r}t \odot \mathbf{h}{t-1}) + \mathbf{b}_h) h~t=tanh(Whxt+Uh(rt⊙ht−1)+bh)
h t = ( 1 − z t ) ⊙ h t − 1 + z t ⊙ h ~ t \mathbf{h}_t = (1 - \mathbf{z}t) \odot \mathbf{h}{t-1} + \mathbf{z}_t \odot \tilde{\mathbf{h}}_t ht=(1−zt)⊙ht−1+zt⊙h~t
贝叶斯优化目标 ：
x ∗ = arg ⁡ min ⁡ x f ( x ) \mathbf{x}^* = \arg\min_{\mathbf{x}} f(\mathbf{x}) x∗=argxminf(x)
其中 (f(\mathbf{x})) 为验证集分类误差。

训练阶段：MaxEpochs=120，miniBatchSize=30，学习率每 50 轮衰减一次。

完整代码Bayes-TCN-GRU+SHAP分析，贝叶斯优化时间卷积门控循环单元分类预测可解释性分析！Matlab代码