叠Buff!经典麻雀优化算法+多重双向深度学习！SSA-BiTCN-BiGRU-Attention多输入单输出回归预测

news2024/9/21 8:01:38

叠Buff!经典麻雀优化算法+多重双向深度学习！SSA-BiTCN-BiGRU-Attention多输入单输出回归预测

效果一览

在这里插入图片描述

基本介绍

1.Matlab实现SSA-BiTCN-BiGRU-Attention麻雀算法优化双向时间卷积双向门控循环单元融合注意力机制多变量回归预测（完整源码和数据），优化学习率，BiGRU的神经元个数，滤波器个数, 正则化参数；

2.输入多个特征，输出单个变量，回归预测，自注意力机制层，运行环境matlab2023及以上；

3.命令窗口输出R2、MAE、MAPE、 RMSE多指标评价；

4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

5.适用对象：大学生课程设计、期末大作业和毕业设计。
麻雀是常见的常驻鸟类。与许多其他小型鸟类相比，麻雀非常聪明，记忆力也很强。请注意，有两种不同类型的圈养麻雀，生产者和拾取者。生产者积极寻找食物来源，而拾荒者则通过生产者获取食物。此外，有证据表明，鸟类通常灵活地使用行为策略，并在生产和觅食之间切换。也可以说，为了寻找食物，麻雀通常使用生产者和拾取者的策略。

研究表明，个体会监控群体中其他麻雀的行为。同时，鸟群中的攻击者为了提高自身的捕食率，被用来竞争高摄入量同伴的食物资源。此外，个体的能量储备可能在麻雀选择不同的觅食策略时发挥重要作用，能量储备低的麻雀觅食更多。值得一提的是，位于种群边缘的鸟类更容易受到捕食者的攻击，并不断试图获得更好的位置。请注意，位于中心的动物可能会靠近它们的邻居，以尽量减少它们的危险区域。我们也知道，所有的麻雀都表现出对一切事物的好奇本能，同时它们也时刻保持警惕。例如，当一只鸟确实发现了捕食者时，一个或多个个体发出唧唧声，整个群体飞走。
在这里插入图片描述

程序设计

完整程序和数据获取方式私信博主回复SSA-BiTCN-BiGRU-Attention多输入单输出回归预测（Matlab）。



%%  清空环境变量
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
warning off             % 关闭报警信息
%% 导入数据
res = xlsread('data.xlsx');

%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  格式转换
for i = 1 : M 
    vp_train{i, 1} = p_train(:, i);
    vt_train{i, 1} = t_train(:, i);
end

for i = 1 : N 
    vp_test{i, 1} = p_test(:, i);
    vt_test{i, 1} = t_test(:, i);
end

disp('程序运行时间较长，需迭代popsize*maxgen次！可自行调整运行参数')

%%  初始化SSA参数
popsize = 4;                            %  初始种群规模
maxgen = 10;                             %  最大进化代数
fobj = @(x)objectiveFunction(x,f_,vp_train,vt_train,vp_test,T_test,ps_output);

%%  优化算法参数设置
lb = [0.0001 10 20  0.00001];           %  参数的下限。分别是学习率，BiGRU的神经元个数，滤波器个数, 正则化参数
ub = [0.01 100 120 0.005];               %  参数的上限
dim = length(lb);%数量

[Best_score,Best_pos,SSA_curve]=SSA(popsize,maxgen,lb,ub,dim,fobj);
setdemorandstream(pi);

%%  将优化目标参数传进来的值 转换为需要的超参数
learning_rate = Best_pos(1);                   %  学习率
NumNeurons = round(Best_pos(2));               %  BiGRU神经元个数
numFilters = round(Best_pos(3));               %  滤波器个数
L2Regularization = Best_pos(4);                %  正则化参数