粒子群算法优化

机器学习之心6 个月前
神经网络·算法·分类·粒子群算法优化·概率神经网络·pso-pnn
分类预测 | PSO-PNN基于粒子群算法优化概率神经网络的数据分类预测（Matlab）1.PSO-PNN基于粒子群算法优化概率神经网络的数据分类预测/故障识别（Matlab）。 2.自带数据，多输入，单输出，多分类。图很多、混淆矩阵图、预测效果图等等 3.直接替换数据即可使用，保证程序可正常运行。运行环境MATLAB2023及以上。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
机器学习之心7 个月前
attention·多变量时间序列预测·时间卷积长短期记忆神经网络·粒子群算法优化·融合注意力机制·pso-tcn-lstm
SCI一区 | Matlab实现PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测1.基于PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测，要求Matlab2023版以上，自注意力机制，一键单头注意力机制替换成多头注意力机制； 2.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测； 3.data为数据集，main.m为主程序，运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MSE、MAE、MAPE和RMSE多指标评价； 5.优化学习率，神经元个数，注意力机制的键值, 正则化参数。
机器学习之心8 个月前
数据分类预测·pso-lssvm·最小二乘支持向量机·粒子群算法优化
分类预测 | Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量机数据分类预测1.Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量机数据分类预测（完整源码和数据）,优化参数为,优化RBF核函数gam和sig，运行环境为Matlab2018及以上。 2.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excel数据就可以用; 3.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.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
机器学习之心9 个月前
attention·时间卷积双向门控循环单元·多变量时间序列预测·粒子群算法优化·pso-tcn-bigru
SCI一区 | Matlab实现PSO-TCN-BiGRU-Attention粒子群算法优化时间卷积双向门控循环单元融合注意力机制多变量时间序列预测1.基于PSO-TCN-BiGRU-Attention粒子群算法优化时间卷积双向门控循环单元融合注意力机制多变量时间序列预测，要求Matlab2023版以上，自注意力机制，一键单头注意力机制替换成多头注意力机制； 2.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测； 3.data为数据集，main.m为主程序，运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MSE、MAE、MAPE和RMSE多指标评价； 5.优化学习率，神经元个数，注意力机制的键值, 正则化参数。
机器学习之心10 个月前
attention·双向长短期记忆神经网络·粒子群算法优化·多变量回归预测·融合注意力机制·pso-bilstm-att
回归预测 | Matlab实现PSO-BiLSTM-Attention粒子群算法优化双向长短期记忆神经网络融合注意力机制多变量回归预测1.Matlab实现PSO-BiLSTM-Attention多变量回归预测，粒子群算法优化双向长短期记忆神经网络融合注意力机制； 粒子群算法优化BiLSTM的学习率，隐藏层节点，正则化系数； 多头自注意力层 (Multihead-Self-Attention)：Multihead-Self-Attention多头注意力机制是一种用于模型关注输入序列中不同位置相关性的机制。它通过计算每个位置与其他位置之间的注意力权重，进而对输入序列进行加权求和。注意力能够帮助模型在处理序列数据时，对不同位置的信息进行适当的
机器学习之心1 年前
attention·双向长短期记忆神经网络·多特征分类预测·粒子群算法优化·pso-bilstm-att·bilstm-atten
分类预测 | Matlab实现PSO-BiLSTM-Attention粒子群算法优化双向长短期记忆神经网络融合注意力机制多特征分类预测1.Matlab实现PSO-BiLSTM-Attention粒子群算法优化双向长短期记忆神经网络融合注意力机制多特征分类预测，运行环境Matlab2023b及以上； 2.优化参数为：学习率，隐含层节点，正则化参数。 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； 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。
机器学习之心1 年前
门控循环单元·多特征分类预测·粒子群算法优化·pso-gru·融合注意力机制·pso-gru-att·gru-attention
分类预测 | Matlab实现PSO-GRU-Attention粒子群算法优化门控循环单元融合注意力机制多特征分类预测1.Matlab实现PSO-GRU-Attention粒子群算法优化门控循环单元融合注意力机制多特征分类预测，运行环境Matlab2023b及以上； 2.优化参数为：学习率，隐含层节点，正则化参数。 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； 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。
机器学习之心1 年前
长短期记忆神经网络·多输入分类预测·粒子群算法优化·pso-lstm-att·融合注意力机制
分类预测 | Matlab实现PSO-LSTM-Attention粒子群算法优化长短期记忆神经网络融合注意力机制多特征分类预测1.Matlab实现PSO-LSTM-Attention粒子群算法优化长短期记忆神经网络融合注意力机制多特征分类预测，运行环境Matlab2023b及以上； 2.优化参数为：学习率，隐含层节点，正则化参数。 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； 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。
机器学习之心1 年前
双向长短期记忆神经网络·多输入分类预测·pso-bilstm·粒子群算法优化
分类预测 | Matlab实现PSO-BiLSTM粒子群算法优化双向长短期记忆神经网络的数据多输入分类预测1.Matlab实现PSO-BiLSTM粒子群算法优化双向长短期记忆神经网络的数据多输入分类预测，运行环境Matlab2020b及以上； 2.优化参数为：学习率，隐含层节点，正则化参数。 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； 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。
机器学习之心1 年前
长短期记忆神经网络·多输入分类预测·粒子群算法优化·pso-lstm
分类预测 | Matlab实现PSO-LSTM粒子群算法优化长短期记忆神经网络的数据多输入分类预测1.Matlab实现PSO-LSTM粒子群算法优化长短期记忆神经网络的数据多输入分类预测，运行环境Matlab2020b及以上； 2.优化参数为：学习率，隐含层节点，正则化参数。 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； 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。
机器学习之心1 年前
卷积神经网络·数据分类预测·pso-cnn·粒子群算法优化
分类预测 | MATLAB实现PSO-CNN粒子群算法优化卷积神经网络数据分类预测1.Matlab实现PSO-CNN多特征分类预测，多特征输入模型，运行环境Matlab2018b及以上； 2.基于粒子群算法(PSO)优化卷积神经网络(CNN)分类预测，优化参数为，学习率，批处理，正则化参数； 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； 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。