mutilhead

机器学习之心8 个月前
attention·多变量时间序列预测·mutilhead·bes-cnn-gru
SCI一区级 | Matlab实现BES-CNN-GRU-Mutilhead-Attention多变量时间序列预测1.Matlab实现BES-CNN-GRU-Mutilhead-Attention秃鹰算法优化卷积门控循环单元融合多头注意力机制多变量时间序列预测，要求Matlab2023版以上； 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.算法优化学习率，神经元个数，注意力机制的键值, 卷积核个数。
机器学习之心9 个月前
attention·cnn-gru·多特征分类预测·卷积神经网络-门控循环单元·mutilhead·融合多头注意力机制
分类预测 | Matlab实现CNN-GRU-Mutilhead-Attention卷积神经网络-门控循环单元融合多头注意力机制多特征分类预测1.Matlab实现CNN-GRU-Mutilhead-Attention卷积神经网络-门控循环单元融合多头注意力机制多特征分类预测。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加权，从而更好地捕捉序列中的关键信息。 2.数据输入15个
机器学习之心1 年前
cnn-bigru·attention·多变量时间序列预测·卷积双向门控循环单元·mutilhead·融合多头注意力机制
多维时序 | Matlab实现CNN-BiGRU-Mutilhead-Attention卷积双向门控循环单元融合多头注意力机制多变量时间序列预测Matlab实现CNN-BiGRU-Mutilhead-Attention卷积双向门控循环单元融合多头注意力机制多变量时间序列预测 1.data为数据集，格式为excel，4个输入特征，1个输出特征，考虑历史特征的影响，多变量时间序列预测； 2.main.m为主程序文件，运行即可； 3.命令窗口输出R2、MAE、MAPE、MSE和MBE，可在下载区获取数据和程序内容； 注意程序和数据放在一个文件夹，运行环境为Matlab2023a及以上。 CNN卷积核大小：卷积核大小决定了CNN网络的感受野，即每个卷积层
机器学习之心1 年前
attention·cnn-gru·卷积门控循环单元·多变量时间序列预测·mutilhead·融合多头注意力机制
多维时序 | Matlab实现CNN-GRU-Mutilhead-Attention卷积门控循环单元融合多头注意力机制多变量时间序列预测Matlab实现CNN-GRU-Mutilhead-Attention卷积门控循环单元融合多头注意力机制多变量时间序列预测 1.data为数据集，格式为excel，4个输入特征，1个输出特征，考虑历史特征的影响，多变量时间序列预测； 2.main.m为主程序文件，运行即可； 3.命令窗口输出R2、MAE、MAPE、MSE和MBE，可在下载区获取数据和程序内容； 注意程序和数据放在一个文件夹，运行环境为Matlab2023a及以上。 CNN卷积核大小：卷积核大小决定了CNN网络的感受野，即每个卷积层可以捕获
机器学习之心1 年前
attention·cnn-bilstm·rime-cnn-bilstm·mutilhead·多变量多步时序预测
SCI一区级 | Matlab实现RIME-CNN-BiLSTM-Mutilhead-Attention多变量多步时序预测1.Matlab实现RIME-CNN-BiLSTM-Mutilhead-Attention多变量多步时序预测，开普勒算法优化学习率，卷积核大小，神经元个数，以最小MAPE为目标函数； CNN卷积核大小：卷积核大小决定了CNN网络的感受野，即每个卷积层可以捕获的特征的空间范围。选择不同大小的卷积核可以影响模型的特征提取能力。较小的卷积核可以捕获更细粒度的特征，而较大的卷积核可以捕获更宏观的特征。 BiLSTM神经元个数：BiLSTM是一种适用于序列数据的循环神经网络，其神经元个数决定了模型的复杂性和记忆能力