cnn-bilstm

机器学习之心5 个月前
adaboost·集成学习·cnn-bilstm·时间序列预测·cnn-bilstm-ada·卷积双向长短期记忆网络
时序预测 | MATLAB实现基于CNN-BiLSTM-AdaBoost卷积双向长短期记忆网络结合AdaBoost时间序列预测1.Matlab实现CNN-BiLSTM-Adaboost时间序列预测，卷积双向长短期记忆神经网络结合AdaBoost时间序列预测（风电功率预测）； 2.运行环境为Matlab2021b； 3.data为数据集，excel数据，单变量时间序列数据，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、MAE、MAPE、MSE、RMSE、RPD多指标评价；
机器学习之心6 个月前
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
机器学习之心6 个月前
cnn-bilstm·核密度估计·多变量时序区间预测·cnn-bilstm-kde·卷积双向长短期神经网络
区间预测 | Matlab实现CNN-BiLSTM-KDE的卷积双向长短期神经网络结合核密度估计多变量时序区间预测1.CNN-BiLSTM-KDE多变量时间序列区间预测，基于卷积双向长短期记忆神经网络多变量时序区间预测，卷积双向长短期记忆神经网络的核密度估计下置信区间预测。 2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(R2、MAE、MAPE、MBE、 MSE),多输入单输出。 3.运行环境为Matlab2021b及以上； 4.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列区间预测； 5.data为数据集，main.m为主
机器学习之心7 个月前
cnn-bilstm·时间序列预测·selfattention·gwo-cnn-bilstm·多变量多步
SCI一区级 | Matlab实现GWO-CNN-BiLSTM-selfAttention多变量多步时间序列预测1.Matlab实现GWO-CNN-BiLSTM-selfAttention灰狼算法优化卷积双向长短期记忆神经网络融合自注意力机制多变量多步时间序列预测，灰狼算法优化学习率，卷积核大小，神经元个数，以最小MAPE为目标函数；
机器学习之心8 个月前
cnn-bilstm·自注意力机制·多特征分类预测·koa-cnn-bilstm·selfattention
分类预测 | Matlab实现KOA-CNN-BiLSTM-selfAttention多特征分类预测（自注意力机制）1.Matlab实现KOA-CNN-BiLSTM-selfAttention开普勒算法优化卷积双向长短期记忆神经网络融合自注意力多特征分类预测，多特征输入模型，运行环境Matlab2023b及以上； 2.基于开普勒算法(KOA)优化卷积双向长短期记忆神经网络(CNN-BiLSTM)结合自注意力机制（selfAttention）分类预测。2023年新算法KOA，MATLAB程序，多行变量特征输入，优化了学习率、卷积核大小及隐藏层单元数等。 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
机器学习之心9 个月前
attention·cnn-bilstm·多变量时间序列预测·se注意力机制·ssa-cnn-bilstm·cnn-bilstm-at
多维时序 | MATLAB实现SSA-CNN-BiLSTM-Attention多变量时间序列预测（SE注意力机制）1.MATLAB实现SSA-CNN-BiLSTM-Attention多变量时间序列预测（SE注意力机制）； 2.运行环境为Matlab2021b； 3.data为数据集，excel数据，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， 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MBE多指标评价； 5.麻雀算法优化学习率，隐藏层节点，正则化系数；
机器学习之心9 个月前
koa·卷积双向长短期记忆神经网络·cnn-bilstm·数据分类预测·开普勒算法优化·koa-cnn-bilstm
分类预测 | MATLAB实现KOA-CNN-BiLSTM开普勒算法优化卷积双向长短期记忆神经网络数据分类预测1.MATLAB实现KOA-CNN-BiLSTM开普勒算法优化卷积双向长短期记忆神经网络数据分类预测，多特征输入模型，运行环境Matlab2020b及以上； 2.基于开普勒算法(KOA)优化卷积双向长短期记忆神经网络(CNN-BiLSTM)分类预测。 2023年新算法，KOA-CNN-BiLSTM开普勒优化卷积双向长短期记忆神经网络的数据分类预测，MATLAB程序，多变量特征输入，优化了学习率、卷积核大小及隐藏层单元个数等，方便增加维度优化自它参数。 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
机器学习之心9 个月前
cnn-bilstm·多变量时间序列预测·woa-cnn-bilstm·cnn-bilstm-att·se注意力机制
多维时序 | MATLAB实现WOA-CNN-BiLSTM-Attention多变量时间序列预测（SE注意力机制）1.MATLAB实现WOA-CNN-BiLSTM-Attention多变量时间序列预测（SE注意力机制）； 2.运行环境为Matlab2021b； 3…data为数据集，excel数据，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， 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MBE多指标评价； 5.鲸鱼算法优化学习率，隐藏层节点，正则化系数；
机器学习之心10 个月前
卷积双向长短期记忆神经网络·cnn-bilstm·时间序列预测·风电功率预测
时序预测 | MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（风电功率预测）1.MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（风电功率预测）； 2.运行环境为Matlab2021b； 3.单个变量时间序列预测； 4.data为数据集，单个变量excel数据，MainCNN_BiLSTMTS.m为主程序，运行即可,所有文件放在一个文件夹； 5.命令窗口输出R2、MSE、RMSE、MAE、MAPE多指标评价；
机器学习之心1 年前
attention·cnn-bilstm·数据分类预测·woa-cnn-bilstm·woa
分类预测 | MATLAB实现WOA-CNN-BiLSTM-Attention数据分类预测1.MATLAB实现WOA-CNN-BiLSTM-Attention数据分类预测，运行环境Matlab2023b及以上； 2.基于鲸鱼优化算法（WOA）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的数据分类预测程序； 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；过WOA优化算法优化学习率、卷积核大小、神经元个数，这3个关键参数，以测试集精度最高为目标函数 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
机器学习之心1 年前
卷积双向长短期记忆神经网络·cnn-bilstm·时间序列预测
时序预测 | MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价) 1.MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)； 2.运行环境Matlab2020及以上，data为数据集，单变量时间序列预测； 3.递归预测未来数据，可以控制预测未来大小的数目，适合循环性、周期性数据预测； 4.命令窗口输出R2、MAE、MAPE、MBE、MSE等评价指标；
机器学习之心1 年前
鲸鱼算法优化·卷积双向长短期记忆神经网络·cnn-bilstm·时间序列预测·woa-cnn-bilstm
时序预测 | MATLAB实现WOA-CNN-BiLSTM鲸鱼算法优化卷积双向长短期记忆神经网络时间序列预测时序预测 | MATLAB实现WOA-CNN-BiLSTM鲸鱼算法优化卷积双向长短期记忆神经网络时间序列预测，运行环境Matlab2020b及以上。优化正则化率、学习率、隐藏层单元数。 1.MATLAB实现WOA-CNN-BiLSTM鲸鱼算法优化卷积双向长短期记忆神经网络时间序列预测； 2.单变量时间序列预测； 3.多指标评价，评价指标包括：R2、MAE、MSE、RMSE等，代码质量极高； 4.鲸鱼算法优化参数为：学习率，隐含层节点，正则化参数； 5.excel数据，方便替换，运行环境2020及以上。
机器学习之心1 年前
attention·cnn-bilstm·多输入分类预测·sma-cnn-bilstm
分类预测 | MATLAB实现SMA-CNN-BiLSTM-Attention多输入分类预测1.MATLAB实现SMA-CNN-BiLSTM-Attention多输入分类预测，CNN-BiLSTM结合注意力机制多输入分类预测。 2.SMA-CNN-BiLSTM-Attention多变量数据分类预测，黏菌优化卷积神经网络结合双向长短期记忆网络融合注意力机制的数据分类预测，多行变量特征输入。 3.优化了学习率、卷积核大小及BiLSTM神经元个数等，要求MATLAB 2021版本以上，方便增加维度优化自它参数。展示准确率、精确率、召回率、F1分数等计算结果。 4.黏菌算法是2020年提出的一种智能优化
机器学习之心1 年前
多输入单输出回归预测·蛇群算法优化·so-cnn-bilstm·卷积双向长短期记忆神经网络·cnn-bilstm
回归预测 | MATLAB实现SO-CNN-BiLSTM蛇群算法优化卷积双向长短期记忆神经网络多输入单输出回归预测MATLAB实现SO-CNN-BiLSTM蛇群算法优化卷积双向长短期记忆神经网络多输入单输出回归预测（完整源码和数据) 1.MATLAB实现SO-CNN-BiLSTM蛇群算法优化卷积双向长短期记忆神经网络多输入单输出回归预测（完整源码和数据) 2.输入多个特征，输出单个变量，多输入单输出回归预测； 3.多指标评价，评价指标包括：R2、MAE、MSE、RMSE等，代码质量极高； 4.蛇群算法优化参数为：学习率，隐含层节点，正则化参数； 5.excel数据，方便替换，运行环境2020及以上。