电子商务网站建设的方法及流程图,山西太原网站制作,怎样临沂网站建设,聊天软件开发教程分类预测 | MATLAB实现CNN-GRU-Attention多输入分类预测 目录分类预测 | MATLAB实现CNN-GRU-Attention多输入分类预测分类效果模型描述程序设计参考资料分类效果 模型描述 Matlab实现CNN-GRU-Attention多变量分类预测 1.data为数据集#xff0c;格式为excel#xff0c;12个输…分类预测 | MATLAB实现CNN-GRU-Attention多输入分类预测 目录分类预测 | MATLAB实现CNN-GRU-Attention多输入分类预测分类效果模型描述程序设计参考资料分类效果 模型描述 Matlab实现CNN-GRU-Attention多变量分类预测 1.data为数据集格式为excel12个输入特征输出四个类别 2.MainCNN-GRU-AttentionNC.m为主程序文件运行即可 注意程序和数据放在一个文件夹运行环境为Matlab200b及以上。 4.注意力机制模块 SEBlockSqueeze-and-Excitation Block是一种聚焦于通道维度而提出一种新的结构单元为模型添加了通道注意力机制该机制通过添加各个特征通道的重要程度的权重针对不同的任务增强或者抑制对应的通道以此来提取有用的特征。该模块的内部操作流程如图总体分为三步首先是Squeeze 压缩操作对空间维度的特征进行压缩保持特征通道数量不变。融合全局信息即全局池化并将每个二维特征通道转换为实数。实数计算公式如公式所示。该实数由k个通道得到的特征之和除以空间维度的值而得空间维数为H*W。其次是Excitation激励操作它由两层全连接层和Sigmoid函数组成。如公式所示s为激励操作的输出σ为激活函数sigmoidW2和W1分别是两个完全连接层的相应参数δ是激活函数ReLU对特征先降维再升维。最后是Reweight操作对之前的输入特征进行逐通道加权完成原始特征在各通道上的重新分配。 程序设计
完整程序和数据获取方式1同等价值程序兑换完整程序和数据获取方式2私信博主获取。
%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据以及3维数据需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train double(reshape(P_train, 15, 1, 1, M));
p_test double(reshape(P_test , 15, 1, 1, N));
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 构造网络结构
layers [imageInputLayer([15, 1, 1]) % 输入层convolution2dLayer([2, 1], 16) % 卷积核大小为2*1 生成16个卷积batchNormalizationLayer % 批归一化层reluLayer % relu激活层maxPooling2dLayer([2, 1], Stride, 1) % 最大池化层 大小为2*1 步长为2convolution2dLayer([2, 1], 32) % 卷积核大小为2*1 生成32个卷积batchNormalizationLayer % 批归一化层reluLayer % relu激活层maxPooling2dLayer([2, 1], Stride, 1) % 最大池化层大小为2*2步长为2fullyConnectedLayer(4) % 全连接层类别数 softmaxLayer % 损失函数层classificationLayer]; % 分类层
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 创建网络
layers [ ...sequenceInputLayer(12) % 输入层gruLayer(6, OutputMode, last) % GRU层reluLayer % Relu激活层fullyConnectedLayer(4) % 全连接层softmaxLayer % 分类层classificationLayer];%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MiniBatchSize, 100, ... % 批大小MaxEpochs, 1000, ... % 最大迭代次数InitialLearnRate, 1e-2, ... % 初始学习率LearnRateSchedule, piecewise, ... % 学习率下降LearnRateDropFactor, 0.1, ... % 学习率下降因子LearnRateDropPeriod, 700, ... % 经过700次训练后 学习率为 0.01 * 0.1Shuffle, every-epoch, ... % 每次训练打乱数据集ValidationPatience, Inf, ... % 关闭验证Plots, training-progress, ... % 画出曲线Verbose, false);
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练模型
net trainNetwork(p_train, t_train, layers, options);参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129943065?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/129919734?spm1001.2014.3001.5501
