南宁网站建设加q479185700网上商店的业务流程

南宁网站建设加q479185700,网上商店的业务流程,学生没钱怎么开网店,郑州网站建设幸巴基于卷积神经网络-双向长短时记忆网络结合SE注意力机制的数据回归预测#xff08;CNN-BiLSTM-SE#xff09; 基于MATLAB环境 替换自己的数据即可 基本流程#xff1a;首先通过卷积神经网络CNN进行特征提取#xff0c;然后通过通道注意力机制SE对不同的特征赋予不同的权重 input data(:,1:end-1); target data(:,end); % Min-Max归一化 [input_normalized, input_ps] mapminmax(input); input_normalized input_normalized; [target_normalized, target_ps] mapminmax(target); target_normalized target_normalized;接下来构建网络骨架。这里有个小技巧先用CNN做特征提取然后用SE模块给特征通道加权最后扔给BiLSTM做时序建模。看这个网络结构定义layers [ sequenceInputLayer(num_features) % CNN特征提取 convolution1dLayer(3, 64, Padding,same) batchNormalizationLayer reluLayer maxPooling1dLayer(2,Stride,2) % SE注意力模块 functionLayer(SE_Block, Name,SENet) % BiLSTM时序建模 bilstmLayer(128,OutputMode,sequence) fullyConnectedLayer(64) reluLayer % 回归输出 fullyConnectedLayer(1) regressionLayer];重点说说SE模块的实现。这个注意力机制能自动学习各特征通道的重要性代码实现起来其实很简洁function Z SE_Block(X) % Squeeze操作 U mean(X, [1 2]); % 全局平均池化 % Excitation操作 s fullyConnectedLayer(size(U,3), Name,se_fc1)(U); s reluLayer(Name,se_relu)(s); s fullyConnectedLayer(size(X,3), Name,se_fc2)(s); s sigmoidLayer(Name,se_sigmoid)(s); % 特征重标定 Z X .* s; end训练参数设置直接影响收敛速度。建议先用Adam优化器快速收敛再切到SGDM微调options trainingOptions(adam, ... MaxEpochs,100, ... MiniBatchSize,32, ... InitialLearnRate,0.001,... LearnRateSchedule,piecewise,... LearnRateDropPeriod,40,... Verbose,0);预测后的反归一化千万别忘不然指标计算会出问题predicted predict(net, XTest); predicted_denorm mapminmax(reverse, predicted, target_ps);最后说说评价指标的实现。R²和RMSE这两个指标建议自己手写避免依赖工具箱function [R2, MAE, MBE, RMSE] calc_metrics(actual, predicted) R2 1 - sum((actual - predicted).^2)/sum((actual - mean(actual)).^2); MAE mean(abs(predicted - actual)); MBE mean(predicted - actual); RMSE sqrt(mean((predicted - actual).^2)); end实际跑数据时有个经验当MAE和RMSE数值接近说明误差分布均匀如果RMSE明显大于MAE说明存在个别离谱的预测误差。这时候可能需要检查数据中是否存在异常值或者调整SE模块的权重分配策略。这套组合拳打下来在电力负荷预测数据集上R²通常能到0.92以上。比单纯用LSTM提升8-10个点关键在特征选择阶段省事不少——CNN自动抓取特征的能力确实香。