cnn-gru

机器学习之心1 个月前
多输入单输出回归预测·cnn·gru·transformer·cnn-gru
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测 Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测 (Matlab2023b 多输入单输出) 1.程序已经调试好，替换数据集后，仅运行一个main即可运行，数据格式为excel!!! 2.Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测 (Matlab2023b 多输入单输出)。 3.运
简简单单做算法3 个月前
人工智能·深度学习·gru·cnn-gru·贝叶斯优化·数据分类识别
基于贝叶斯优化CNN-GRU网络的数据分类识别算法matlab仿真目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1卷积神经网络（CNN）
简简单单做算法6 个月前
人工智能·深度学习·gru·cnn-gru·时间序列回归预测·pso-cnn-gru
基于PSO粒子群优化的CNN-GRU的时间序列回归预测matlab仿真目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1 卷积神经网络（CNN）
简简单单做算法7 个月前
深度学习·matlab·cnn-gru·ga遗传优化·时间序列回归预测·ga-cnn-gru
基于GA遗传优化的CNN-GRU的时间序列回归预测matlab仿真目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1 CNN-GRU模型架构
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
adaboost·cnn-gru·卷积门控循环单元·时间序列预测·cnn-gru-ada
时序预测 | MATLAB实现基于CNN-GRU-AdaBoost卷积门控循环单元结合AdaBoost时间序列预测1.MATLAB实现基于CNN-GRU-AdaBoost卷积门控循环单元结合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
cnn-gru·多变量时间序列预测·ssa-cnn-gru·sam-attention·空间注意力机制
多维时序 | MATLAB实现SSA-CNN-GRU-SAM-Attention麻雀算法优化卷积网络结合门控循环单元网络融合空间注意力机制多变量时间序列预测多维时序 | MATLAB实现SSA-CNN-GRU-SAM-Attention麻雀算法优化卷积网络结合门控循环单元网络融合空间注意力机制多变量时间序列预测。
机器学习之心1 年前
cnn-gru·卷积门控循环单元·时间序列预测·麻雀算法优化·ssa-cnn-gru
时序预测 | Matlab实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元时间序列预测Matlab实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元时间序列预测（完整源码和数据) 1.Matlab实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元时间序列预测（完整源码和数据) 2.输入输出单个变量，时间序列预测预测； 3.多指标评价，评价指标包括：R2、MAE、MSE、RMSE等，代码质量极高； 4.麻雀算法优化参数为：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
cnn-gru·selfattention·sci一区级·gwo-cnn-gru·多变量多步时间序列预测
SCI一区级 | Matlab实现GWO-CNN-GRU-selfAttention多变量多步时间序列预测1.Matlab实现GWO-CNN-GRU-selfAttention灰狼算法优化卷积门控循环单元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1 年前
cnn-gru·自注意力机制·多特征分类预测·koa-cnn-gru·selfattention
分类预测 | Matlab实现KOA-CNN-GRU-selfAttention多特征分类预测（自注意力机制）1.Matlab实现KOA-CNN-GRU-selfAttention开普勒算法优化卷积门控循环单元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)优化卷积门控循环单元(CNN-GRU)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，直接替换数据就可以用。程序语言为matla
机器学习之心1 年前
cnn-gru·卷积门控循环单元·数据分类预测·ssa·麻雀算法优化·1024程序员节·ssa-cnn-gru
分类预测 | MATLAB实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元数据分类预测1.MATLAB实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元数据分类预测，运行环境Matlab2021b及以上； 2.基于麻雀优化算法（SSA）、卷积神经网络（CNN）和门控循环单元（GRU）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；SSA优化算法优化学习率，隐藏层节点，正则化系数，这3个关键参数。 程序语言为matlab，程序可出分类效果图，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，
机器学习之心1 年前
attention·cnn-gru·数据分类预测·cnn-gru-att·se注意力机制·1024程序员节·ssa-cnn-gru-att
分类预测 | MATLAB实现SSA-CNN-GRU-Attention数据分类预测（SE注意力机制）1.MATLAB实现SSA-CNN-GRU-Attention数据分类预测（SE注意力机制），运行环境Matlab2021b及以上； 2.基于麻雀优化算法（SSA）、卷积神经网络（CNN）和门控循环单元（GRU）、SE注意力机制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；SSA优化算法优化学习率、正则化系数、隐藏层节点，这3个关键参数。 程序语言为matlab，程序可出分类效果图，混淆矩阵图； 4.data为数据集，输入12个特征，分四类；main
机器学习之心1 年前
koa·cnn-gru·卷积门控循环单元·数据分类预测·开普勒算法优化·koa-cnn-gru
分类预测 | MATLAB实现KOA-CNN-GRU开普勒算法优化卷积门控循环单元数据分类预测1.MATLAB实现KOA-CNN-GRU开普勒算法优化卷积门控循环单元数据数据分类预测，多特征输入模型，运行环境Matlab2021b及以上； 2.基于开普勒算法(KOA)优化卷积门控循环单元(CNN-GRU)分类预测。 2023年新算法，KOA-CNN-GRU开普勒算法优化卷积门控循环单元数据分类预测，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。程序内注释详细，直接替换数据就可以用。程序语言为mat
机器学习之心1 年前
cnn-gru·卷积门控循环单元·时间序列预测·风电功率预测
时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测（风电功率预测）1.时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测（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_GRUTS.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-gru·多变量时间序列预测·sabo-cnn-gru
多维时序 | MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测多维时序 | MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测。
机器学习之心1 年前
cnn-gru·数据分类预测·1d-2d-cnn-gru·多通道输入
分类预测 | MATLAB实现1D-2D-CNN-GRU的多通道输入数据分类预测结合1D时序-2D图像多模态融合的CNN-GRU故障识别算法，基于一维时序信号和二维图像多元信息融合的卷积神经网络结门控循环单元网络的数据分类预测/故障识别算法。要求2020版以上。 采用双支路输入，一路为图像输入经CNN提取特征，一路为特征序列输入经GRU提取特征，特征融合后计算输出结果。 1、多模态融合：将一维时序信号和二维图像融合，可以综合利用不同模态的信息，从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征，从而提高分类和识别的准确性。 2、时序信息捕获：GRU（门控循环单元）是一种
机器学习之心1 年前
cnn-gru·卷积门控循环单元·时间序列预测
时序预测 | MATLAB实现基于CNN-GRU卷积门控循环单元的时间序列预测-递归预测未来(多指标评价)MATLAB实现基于CNN-GRU卷积门控循环单元的时间序列预测-递归预测未来(多指标评价) 1.MATLAB实现基于CNN-GRU卷积门控循环单元的时间序列预测-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·cnn-gru·卷积门控循环单元·时间序列预测·woa-cnn-gru
时序预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元时间序列预测时序预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元时间序列预测，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-GRU鲸鱼算法优化卷积门控循环单元时间序列预测 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-gru·多变量时间序列预测·woa-cnn-gru·cnn-gru-att
多维时序 | MATLAB实现WOA-CNN-GRU-Attention多变量时间序列预测MATLAB实现WOA-CNN-GRU-Attention多变量时间序列预测，WOA-CNN-GRU-Attention结合注意力机制多变量时间序列预测。