分類預測 | MATLAB實現(xiàn)WOA-CNN-BiGRU鯨魚算法優(yōu)化卷積雙向門控循環(huán)單元數(shù)據(jù)分類預測

分類效果

基本描述

1.Matlab實現(xiàn)WOA-CNN-BiGRU多特征分類預測，多特征輸入模型，運行環(huán)境Matlab2020b及以上；
2.基于鯨魚算法(WOA)優(yōu)化卷積神經(jīng)網(wǎng)絡-雙向門控循環(huán)單元(CNN-BiGRU)分類預測，優(yōu)化參數(shù)為，學習率，隱含層節(jié)點，正則化參數(shù)；
3.多特征輸入單輸出的二分類及多分類模型。程序內(nèi)注釋詳細，直接替換數(shù)據(jù)就可以用；
程序語言為matlab，程序可出分類效果圖，迭代優(yōu)化圖，混淆矩陣圖；
4.data為數(shù)據(jù)集，輸入12個特征，分四類；運行主程序即可，其余為函數(shù)文件，無需運行，可在下載區(qū)獲取數(shù)據(jù)和程序內(nèi)容。

模型描述

CNN 是一種前饋型神經(jīng)網(wǎng)絡，廣泛應用于深度學習領域，主要由卷積層、池化層和全連接層組成，輸入特征向量可以為多維向量組，采用局部感知和權值共享的方式。卷積層對原始數(shù)據(jù)提取特征量，深度挖掘數(shù)據(jù)的內(nèi)在聯(lián)系，池化層能夠降低網(wǎng)絡復雜度、減少訓練參數(shù)，全連接層將處理后的數(shù)據(jù)進行合并，計算分類和回歸結(jié)果。
BiGRU是LSTM的一種改進模型，將遺忘門和輸入門集成為單一的更新門，同時混合了神經(jīng)元狀態(tài)和隱藏狀態(tài)，可有效地緩解循環(huán)神經(jīng)網(wǎng)絡中“梯度消失”的問題，并能夠在保持訓練效果的同時減少訓練參數(shù)。

程序設計

• 完整程序和數(shù)據(jù)獲取方式私信博主回復MATLAB實現(xiàn)WOA-CNN-BiGRU鯨魚算法優(yōu)化卷積雙向門控循環(huán)單元數(shù)據(jù)分類預測。

% The Whale Optimization Algorithm
function [Best_Cost,Best_pos,curve]=WOA(pop,Max_iter,lb,ub,dim,fobj)

% initialize position vector and score for the leader
Best_pos=zeros(1,dim);
Best_Cost=inf; %change this to -inf for maximization problems


%Initialize the positions of search agents
Positions=initialization(pop,dim,ub,lb);

curve=zeros(1,Max_iter);

t=0;% Loop counter

% Main loop
while t<Max_iter
    for i=1:size(Positions,1)
        
        % Return back the search agents that go beyond the boundaries of the search space
        Flag4ub=Positions(i,:)>ub;
        Flag4lb=Positions(i,:)<lb;
        Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        
        % Calculate objective function for each search agent
        fitness=fobj(Positions(i,:));
        
        % Update the leader
        if fitness<Best_Cost % Change this to > for maximization problem
            Best_Cost=fitness; % Update alpha
            Best_pos=Positions(i,:);
        end
        
    end
    
    a=2-t*((2)/Max_iter); % a decreases linearly fron 2 to 0 in Eq. (2.3)
    
    % a2 linearly dicreases from -1 to -2 to calculate t in Eq. (3.12)
    a2=-1+t*((-1)/Max_iter);
    
    % Update the Position of search agents 
    for i=1:size(Positions,1)
        r1=rand(); % r1 is a random number in [0,1]
        r2=rand(); % r2 is a random number in [0,1]
        
        A=2*a*r1-a;  % Eq. (2.3) in the paper
        C=2*r2;      % Eq. (2.4) in the paper
        
        
        b=1;               %  parameters in Eq. (2.5)
        l=(a2-1)*rand+1;   %  parameters in Eq. (2.5)
        
        p = rand();        % p in Eq. (2.6)
        
        for j=1:size(Positions,2)
            
            if p<0.5   
                if abs(A)>=1
                    rand_leader_index = floor(pop*rand()+1);
                    X_rand = Positions(rand_leader_index, :);
                    D_X_rand=abs(C*X_rand(j)-Positions(i,j)); % Eq. (2.7)
                    Positions(i,j)=X_rand(j)-A*D_X_rand;      % Eq. (2.8)
                    
                elseif abs(A)<1
                    D_Leader=abs(C*Best_pos(j)-Positions(i,j)); % Eq. (2.1)
                    Positions(i,j)=Best_pos(j)-A*D_Leader;      % Eq. (2.2)
                end
                
            elseif p>=0.5
              
                distance2Leader=abs(Best_pos(j)-Positions(i,j));
                % Eq. (2.5)
                Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Best_pos(j);
                
            end
            
        end
    end
    t=t+1;
    curve(t)=Best_Cost;
    [t Best_Cost]
end

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229文章來源地址http://www.zghlxwxcb.cn/news/detail-732847.html

到了這里，關于分類預測 | MATLAB實現(xiàn)WOA-CNN-BiGRU鯨魚算法優(yōu)化卷積雙向門控循環(huán)單元數(shù)據(jù)分類預測的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！