Matlab实现GA-GRU遗传算法优化门控循环单元的数据多输入分类预测（完整源码和数据)

%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 %% 读取数据 res = xlsread('data.xlsx'); %% 分析数据 num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别） num_dim = size(res, 2) - 1; % 特征维度 num_res = size(res, 1); % 样本数（每一行，是一个样本） num_size = 0.7; % 训练集占数据集的比例 res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行） flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上） %% 设置变量存储数据 P_train = []; P_test = []; T_train = []; T_test = []; %% 划分数据集 for i = 1 : num_class mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本 mid_size = size(mid_res, 1); % 得到不同类别样本个数 mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数 P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入 T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出 P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入 T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出 end %% 数据转置 P_train = P_train'; P_test = P_test'; T_train = T_train'; T_test = T_test'; %% 得到训练集和测试样本个数 M = size(P_train, 2); 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 = categorical(T_train)'; t_test = categorical(T_test )'; %% 格式转换 for i = 1 : M p_train{i, 1} = P_train(:, i); end for i = 1 : N p_test{i, 1} = P_test(:, i); end %% 优化算法参数设置 SearchAgents_no = 5; % 种群数量 Max_iteration = 8; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [1e-4, 10, 1e-4]; % 参数取值下界(学习率，隐藏层节点，正则化系数) ub = [1e-2, 30, 1e-1]; % 参数取值上界(学习率，隐藏层节点，正则化系数) fitness = @(x)fical(x,p_train,t_train,num_dim); [Best_score,Best_pos,Convergence_curve]=GA(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness); %% 记录最佳参数 Best_pos(1, 2) = round(Best_pos(1, 2)); best_lr = Best_pos(1, 1); best_hd = Best_pos(1, 2); best_l2 = Best_pos(1, 3); %% 建立模型 % ---------------------- 修改模型结构时需对应修改fical.m中的模型结构 -------------------------- layers = [ sequenceInputLayer(num_dim) % 输入层 gruLayer(best_hd, 'OutputMode', 'last')% GRU层 reluLayer % Relu激活层 fullyConnectedLayer(num_class) % 全连接层 softmaxLayer % 分类层 classificationLayer]; %% 参数设置 % ---------------------- 修改模型参数时需对应修改fical.m中的模型参数 -------------------------- options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 500, ... % 最大训练次数 500 'InitialLearnRate', best_lr, ... % 初始学习率 best_lr 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.5, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 400, ... % 经过 400 次训练后 学习率为 best_lr * 0.5 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'ValidationPatience', Inf, ... % 关闭验证 'L2Regularization', best_l2, ... % 正则化参数 'Plots', 'training-progress', ... % 画出曲线 'Verbose', false); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 仿真预测 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 数据反归一化 T_sim1 = vec2ind(t_sim1'); T_sim2 = vec2ind(t_sim2'); %% 性能评价 error1 = sum((T_sim1 == T_train)) / M * 100 ; error2 = sum((T_sim2 == T_test )) / N * 100 ; %% 查看网络结构 analyzeNetwork(net) %% 数据排序 [T_train, index_1] = sort(T_train); [T_test , index_2] = sort(T_test ); T_sim1 = T_sim1(index_1); T_sim2 = T_sim2(index_2); %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}; title(string) xlim([1, N]) grid %% 混淆矩阵 figure cm = confusionchart(T_train, T_sim1); cm.Title = 'Confusion Matrix for Train Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; figure cm = confusionchart(T_test, T_sim2); cm.Title = 'Confusion Matrix for Test Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized';