一、数据集
- 数据特征：12个
- 多分类：4分类
二、PSO-BiTCN-BiLSTM-Attention网络
PSO-BiTCN-BiLSTM-Attention 网络是一种结合了多种深度学习技术和优化算法的复杂模型，用于处理时序数据任务，如时间序列预测、分类或其他相关问题。下面是对这个模型各组成部分的介绍：
- PSO（Particle Swarm Optimization，粒子群优化）:
- PSO是一种基于群体智能的全局优化算法。它通过模拟鸟群或鱼群觅食行为来寻找最优解。每个候选解称为“粒子”，这些粒子通过不断调整自己位置来靠近最优解。在该网络中，PSO用于优化模型的超参数（如学习率、层数、节点数等），以提高整体模型的性能。
- BiTCN（Bidirectional Temporal Convolutional Network，双向时序卷积网络）:
- TC是一种适合处理时间序列数据的卷积神经网络（CNN）变种，它通过因果卷积和扩展卷积来捕获长时依赖关系。双向TCN意味着模型同时考虑了输入数据的正向和反向信息，增强了模型对时序特征的捕捉能力。
- BiLSTM（Bidirectional Long Short-Term Memory，双向长短期记忆网络）:
- LSTM是一种特殊的RNN（循环神经网络），用于处理和预测时间序列数据。它通过引入记忆单元来解决传统RNN的长依赖问题。双向LSTM结合了前向和后向两个方向的LSTM单元，以获取完整的时序信息。
- Attention机制:
- Attention机制是一种能够动态聚焦于输入序列的不同部分的重要技术。它在处理长序列时尤其有用，因为它可以赋予序列中某些部分更高的权重，从而增强模型在长序列上的表现。
网络工作流程：
- 输入层: 输入的时序数据首先经过BiTCN层，提取出多尺度、深层次的时序特征。
- 特征提取: 提取的特征被输入到BiLSTM层，进一步处理时序依赖关系，获取时间序列的正向和反向信息。
- 注意力机制: 在LSTM的输出上应用Attention机制，对重要的时间步长赋予更大的权重，以便突出关键信息。
- 优化与预测: 最后，通过PSO算法优化后的超参数，模型进行预测或分类任务。
这种结合了多种先进技术的网络结构能够充分利用时序数据的特点，并且通过PSO优化超参数，以提高模型的预测精度和泛化能力。
三、效果展示
四、代码获取
感兴趣的朋友可以关注最后一行
% 参数设置
options0 = trainingOptions('adam', ...
'Plots','none', ...
'MaxEpochs', 100, ...
'MiniBatchSize', 32, ...
'Shuffle', 'every-epoch', ...
'InitialLearnRate', 0.01, ...
'L2Regularization', 0.002, ... % 正则化参数
'ExecutionEnvironment', "auto",...
'Verbose',1);
% 网络训练
net0 = trainNetwork(p_train,t_train,lgraph0,options0);
% https://mbd.pub/o/bread/mbd-ZpqTlpZy
