cnn-lstm

简简单单做算法

基于贝叶斯优化CNN-LSTM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）

机器学习之心

靓图！多点创新！CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解+卷积长短期+注意力多元时间序列预测1.Matlab实现CEEMDAN-Kmeans-VMD-CNN-LSTM-Attentionr融合K均值聚类的数据双重分解+卷积长短期记忆神经网络+注意力机制多元时间序列预测（完整源码和数据）

机器学习之心

Adaboost集成学习 | Matlab实现基于CNN-LSTM-Adaboost集成学习时间序列预测（股票价格预测）Adaboost集成学习 | Matlab实现基于CNN-LSTM-Adaboost集成学习时间序列预测（股票价格预测）

简简单单做算法

基于PSO粒子群优化的CNN-LSTM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

基于GA遗传优化的CNN-LSTM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 遗传算法（GA）原理

机器学习之心

回归预测 | Matlab实现RIME-CNN-LSTM-Attention霜冰优化卷积长短期记忆网络注意力多变量回归预测（SE注意力机制）1.Matlab实现RIME-CNN-LSTM-Attention霜冰优化卷积长短期记忆网络注意力多变量回归预测（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，多变量回归预测， 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多指标评价； 5.霜冰优化学习率，隐藏层节点，正则化系数；

机器学习之心

回归预测 | Matlab实现MSADBO-CNN-LSTM基于改进蜣螂算法优化卷积神经网络-长短期记忆神经网络多特征回归预测1.Matlab实现MSADBO-CNN-LSTM基于改进蜣螂优化算法-卷积神经网络-长短期记忆神经网络多特征回归预测； 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，多变量回归预测， 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多指标评价； 5.优化学习率，隐藏层节点，正则化系数；

机器学习之心

时序预测 | Matlab基于CNN-LSTM-SAM卷积神经网络-长短期记忆网络结合空间注意力机制的时间序列预测(多指标评价)Matlab基于CNN-LSTM-SAM卷积神经网络-长短期记忆网络结合空间注意力机制的时间序列预测(多指标评价)

机器学习之心

区间预测 | Matlab实现CNN-LSTM-KDE的卷积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-LSTM-KDE多变量时间序列区间预测，基于卷积长短期记忆神经网络多变量时序区间预测，卷积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为主程序，运行即

机器学习之心

时序预测 | Matlab实现SSA-CNN-LSTM麻雀算法优化卷积长短期记忆神经网络时间序列预测MATLAB实现SSA-CNN-LSTM麻雀算法优化卷积长短期记忆神经网络时间序列预测（完整源码和数据) 1.MATLAB实现SSA-CNN-LSTM麻雀算法优化卷积长短期记忆神经网络时间序列预测（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

多维时序 | MATLAB实现RIME-CNN-LSTM-Multihead-Attention多头注意力机制多变量时间序列预测MATLAB实现RIME-CNN-LSTM-Multihead-Attention多头注意力机制多变量时间序列预测。

机器学习之心

时序预测 | Python实现ARIMA-CNN-LSTM差分自回归移动平均模型结合卷积长短期记忆神经网络时间序列预测时序预测 | Python实现ARIMA-CNN-LSTM差分自回归移动平均模型结合卷积长短期记忆神经网络时间序列预测直接替换数据即可用适合新手小白附赠案例数据可直接运行

机器学习之心

分类预测 | MATLAB实现SSA-CNN-LSTM麻雀算法优化卷积长短期记忆神经网络数据分类预测1.MATLAB实现SSA-CNN-LSTM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）和长短期记忆网络（LSTM）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、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个特征，分四类；main为主程序，

机器学习之心

分类预测 | MATLAB实现KOA-CNN-LSTM开普勒算法优化卷积长短期记忆神经网络数据分类预测1.MATLAB实现KOA-CNN-LSTM开普勒算法优化卷积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)优化卷积长短期记忆神经网络(CNN-LSTM)分类预测。 2023年新算法，KOA-CNN-LSTM开普勒优化卷积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。程序内注释详细，直接替换数据就可以用

机器学习之心

时序预测 | MATLAB实现POA-CNN-LSTM鹈鹕算法优化卷积长短期记忆神经网络时间序列预测MATLAB实现POA-CNN-LSTM鹈鹕算法优化卷积长短期记忆神经网络时间序列预测（完整源码和数据) 1.MATLAB实现POA-CNN-LSTM鹈鹕算法优化卷积长短期记忆神经网络时间序列预测（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.鹈鹕算法优化参数为：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

时序预测 | MATLAB实现CNN-LSTM卷积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-LSTM卷积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_LSTMTS.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

时序预测 | MATLAB实现基于CNN-LSTM卷积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-LSTM卷积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-LSTM卷积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

时序预测 | MATLAB实现SO-CNN-LSTM蛇群算法优化卷积长短期记忆神经网络时间序列预测时序预测 | MATLAB实现SO-CNN-LSTM蛇群算法优化卷积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SO-CNN-LSTM蛇群算法优化卷积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

回归预测 | MATLAB实现POA-CNN-LSTM鹈鹕算法优化卷积长短期记忆神经网络多输入单输出回归预测MATLAB实现POA-CNN-LSTM鹈鹕算法优化卷积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POA-CNN-LSTM鹈鹕算法优化卷积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.鹈鹕算法优化参数为：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。