分类预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多输入分类预测_cnn gru 超参数 优化

分类预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多输入分类预测

效果一览

基本介绍

基于贝叶斯(bayes)优化卷积神经网络-门控循环单元(CNN-GRU)分类预测，BO-CNN-GRU/Bayes-CNN-GRU多输入分类模型。
1.优化参数为：学习率，隐含层节点，正则化参数。
2.可视化展示分类准确率，输入多个特征，输出四个类别。
3.运行环境matlab2020b及以上。

模型描述

• CNN 是通过模仿生物视觉感知机制构建而成，能够进行有监督学习和无监督学习。隐含层的卷积核参数共享以及层间连接的稀疏性使得CNN 能够以较小的计算量从高维数据中提取深层次局部特征，并通过卷积层和池化层获得有效的表示。CNN 网络的结构包含两个卷积层和一个展平操作，每个卷积层包含一个卷积操作和一个池化操作。第二次池化操作后，再利用全连接层将高维数据展平为一维数据，从而更加方便的对数据进行处理。
  

• 当时间步数较大时，RNN 的历史梯度信息无法一直维持在一个合理的范围内，因此梯度衰减或爆炸几乎是不可避免的，从而导致RNN 将很难从长距离序列中捕捉到有效信息。LSTM 作为一种特殊的RNN，它的提出很好的解决了RNN 中梯度消失的问题。而GRU 则是在LSTM 的基础上提出的，其结构更简单，参数更少，训练时间短，训练速度也比LSTM更快。
  

• 为使模型具有自动提取特征的功能，一般采用深度学习的方法来进行构建。其中，CNN 在提取特征这方面能力较强，它通常依靠卷积核来对特征进行提取。但是，卷积核的存在又限制了CNN 在处理时间序列数据时的长期依赖性问题。

• 在这项研究中，GRU 的引入可以有效地解决这个问题，并且我们可以捕获时间序列前后的依赖关系。另一方面， GRU 模块的目的是捕获长期依赖关系，它可以通过存储单元长时间学习历史数据中的有用信息，无用的信息将被遗忘门遗忘。另外，直接用原始特征进行处理，会极大的占用模型的算力，从而降低模型的预测精度，CNN-GRU模型结合了CNN和GRU的优点。

• 通常，在模型训练过程中需要对超参数进行优化，为模型选择一组最优的超参数，以提高预测的性能和有效性。 凭经验设置超参数会使最终确定的模型超参数组合不一定是最优的，这会影响模型网络的拟合程度及其对测试数据的泛化能力。

• 伪代码
  

• 通过调整优化算法调整模型参数，学习重复率和贝叶斯优化超参数来调整模型参数。

程序设计

• 完整程序和数据获取方式1：私信博主，；
• 完整程序和数据下载方式2：同等价值程序兑换。

%%  优化算法参数设置
%参数取值上界(学习率，隐藏层节点，正则化系数)
%%  贝叶斯优化参数范围
optimVars = [
    optimizableVariable('NumOfUnits', [10, 50], 'Type', 'integer')
    optimizableVariable('InitialLearnRate', [1e-3, 1], 'Transform', 'log')
    optimizableVariable('L2Regularization', [1e-10, 1e-2], 'Transform', 'log')];
%%  从主函数中获取训练数据
    num_dim = evalin('base', 'num_dim');
    num_class = evalin('base', 'num_class');
    Lp_train = evalin('base', 'Lp_train');
    t_train = evalin('base', 't_train');
    T_train = evalin('base', 'T_train');
    FiltZise= evalin('base', 'FiltZise');
%% 创建混合CNN-GRU网络架构
%  创建"CNN-GRU"模型
    layers = [...
        % 输入特征
        sequenceInputLayer([num_dim 1 1],'Name','input')
        sequenceFoldingLayer('Name','fold')
        % CNN特征提取
        convolution2dLayer([FiltZise 1],32,'Padding','same','WeightsInitializer','he','Name','conv','DilationFactor',1);
        batchNormalizationLayer('Name','bn')
        eluLayer('Name','elu')
        averagePooling2dLayer(1,'Stride',FiltZise,'Name','pool1')
        % 展开层
        sequenceUnfoldingLayer('Name','unfold')
        % 平滑层
        flattenLayer('Name','flatten')
        % GRU特征学习
        gruLayer(optVars.NumOfUnits,'Name','gru1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        % GRU输出
        gruLayer(32,'OutputMode',"last",'Name','gru2','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop1')
        % 全连接层
        fullyConnectedLayer(num_class,'Name','fc')
        softmaxLayer('Name','sf')
        classificationLayer('Name','cf')];

    layers = layerGraph(layers);
    layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');

%% CNNGRU训练选项
% 批处理样本
MiniBatchSize =128;
% 最大迭代次数
MaxEpochs = 500;
    options = trainingOptions( 'adam', ...
        'MaxEpochs',500, ...
        'GradientThreshold',1, ...
        'InitialLearnRate',optVars.InitialLearnRate, ...
        'LearnRateSchedule','piecewise', ...
        'LearnRateDropPeriod',400, ...
        'LearnRateDropFactor',0.2, ...
        'L2Regularization',optVars.L2Regularization,...
        'Verbose',false, ...
        'Plots','none');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229