融合注意力机制

机器学习之心1 天前
时间序列预测·lstm-attention·融合注意力机制·多变量多步·tsa-lstm·被囊群优化算法优化
时序预测 | Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测时序预测 | Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测 TSA-LSTM-Attention超前24步多变量回归预测算法。 程序平台：无Attention适用于MATLAB+2023版及以上版本；融合Attention要求Matlab2023版以上 代码说明：基于被囊群优化算法（TSA）、长短期记忆网络（LSTM）融合注意力机制的超前24步多变量时间序列回归预测算法。多变量特征输入，单序列变量输出，输入前一天的特征，实现后
机器学习之心5 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7 个月前
tcn-bigru·时间卷积双向门控循环单元·多变量时间序列预测·融合注意力机制·鱼鹰算法优化·ooa-tcn-bigru
SCI一区 | Matlab实现OOA-TCN-BiGRU-Attention鱼鹰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OOA-TCN-BiGRU-Attention鱼鹰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8 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9 个月前
多特征分类预测·融合注意力机制·gaf-pcnn-msa·格拉姆角场·双通道pcnn
SCI一区 | Matlab实现GAF-PCNN-MSA格拉姆角场和双通道PCNN融合注意力机制的多特征分类预测1.【SCI一区级】Matlab实现GAF-PCNN-MSA格拉姆角场和双通道PCNN融合注意力机制的多特征分类预测 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，直接替换数据就可以用。程序语言为matlab，程序可出分类效果图，迭代图，混淆矩阵图. 3…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。 4.输出指标包括优化参数、精确度、召回率、精确率、F1分数。 数据集格式： 格拉姆角场（Gram Angle Field）和双通道PCNN（Pulse C
机器学习之心1 年前
长短期记忆神经网络·多变量时间序列预测·遗传算法优化·lstm-attention·融合注意力机制·ga-lstm-att·ga-lstm
多维时序 | Matlab实现GA-LSTM-Attention遗传算法优化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多维时序 | Matlab实现GA-LSTM-Attention遗传算法优化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。
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
门控循环单元·多变量时间序列预测·粒子群优化·融合注意力机制·pso-gru-att·gru-attention
多维时序 | MATLAB实现PSO-GRU-Attention粒子群优化门控循环单元融合注意力机制的多变量时间序列预测MATLAB实现PSO-GRU-Attention粒子群优化门控循环单元融合注意力机制的多变量时间序列预测
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
lstm·多变量时间序列预测·pso-lstm-att·lstm-attention·粒子群优化长短期记忆神经网络·融合注意力机制
多维时序 | MATLAB实现PSO-LSTM-Attention粒子群优化长短期记忆神经网络融合注意力机制的多变量时间序列预测多维时序 | MATLAB实现PSO-LSTM-Attention粒子群优化长短期记忆神经网络融合注意力机制的多变量时间序列预测