分类预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络多输入分类预测_cnn-bilstm模型

分类预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络多输入分类预测

效果一览

基本介绍

MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络多输入分类预测。基于贝叶斯(bayes)优化卷积神经网络-双向长短期记忆网络(CNN-BiLSTM)分类预测，BO-CNN-BiLSTM/Bayes-CNN-BiLSTM多输入分类预测模型，输入多个特征，分四类。
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等。
3.运行环境matlab2020b及以上。

模型搭建

• CNN-BiLSTM模型结合了CNN和BiLSTM的优点，CNN-BiLSTM网络模型如图1所示，本文使用的CNN-BiLSTM模型的第一部分是由卷积层和最大值组成的CNN部分池化层，对原始数据进行预处理并输入CNN卷积层，利用卷积核自适应提取生命特征，卷积层将遍历输入信息，将卷积核权重与局部序列进行卷积运算体管信息得到初步的特征矩阵，比原始序列数据（矩阵）更具表现力。
• 本文使用的池化层是最大池化层，池化操作对提取的特征进行数据降维，避免模型过拟合，保留主要特征。最大池化层将前一个卷积层得到的特征矩阵作为输入，在这个矩阵上滑动一个池化窗口，在每一次滑动中取池化窗口的最大值，输出一个更具表现力的特征矩阵。
• 池化后，连接一个 BiLSTM 层，提取相关向量由CNN构造成一个长期的时间序列作为BiLSTM的输入数据。卷积层将卷积层的数据展平（Flatten），模型中加入Flatten，将(height,width,channel)的数据压缩成一个长高宽通道的一维数组，然后我们可以添加直接密集层。
• 对卷积池化数据压缩特征操作，多个卷积特征提取框架提取的特征融合或从输出层融合，全连接层聚合学习到的特征，激活函数使用Relu。
• 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。

• 通过调整优化算法调整模型参数，学习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：同等价值程序兑换；
• 完整程序和数据下载方式2：私信博主。

%%  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
%%  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-LSTM网络架构
%  创建"CNN-LSTM"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')
        % BiLSTM特征学习
        bilstmLayer(optVars.NumOfUnits,'Name','bilstm1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        % LSTM输出
        bilstmLayer(32,'OutputMode',"last",'Name','bil4','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');

%% CNNLSTM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

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