基于主成分分析-门控循环单元分类预测，PCA-GRU分类预测，多输入分类预测（Matlab完整程序和数据）

% 环境准备 clc; clear; warning off; data = xlsread('dataC.xlsx', 'Sheet1'); x=data(:,1:end-1); y=data(:,end); % 求因子维度 [r,c]=size(x); % 求因子均值 aver=mean(x); % 求因子标准差 stdcov=std(x); % 求目标均值 y_aver=mean(y); % 求目标方差 y_stdcov=std(y); % 数据标准化 stdarr=(x-aver(ones(r,1),:))./stdcov(ones(r,1),:); std_y=(y-y_aver(ones(r,1)))./y_stdcov(ones(r,1)); % 计算相关系数矩阵 covArr=cov(stdarr); %% 相关系数矩阵进行主成分分析 [pc1,latent,explain]=pcacov(covArr); d=repmat(sign(sum(pc1)),size(pc1,1),1); pc=pc1.*d; sumcontr=0; i=1; % 选取贡献率大于90%的主成分 er=90; while sumcontr<er sumcontr=sumcontr+explain(i); i=i+1; end pcNum=i-1; % 计算各个主成分 F=stdarr*pc(:,1:pcNum); FF=[ones(r,1),F]; Fcoeff=regress(std_y,FF); Recoeff=pc(:,1:pcNum)*Fcoeff(2:pcNum+1,:); result(1)=Fcoeff(1); result(2:c+1)=Recoeff; y_p=Fcoeff(1)+stdarr*Recoeff; y_p=y_p.*y_stdcov(ones(r,1))+y_aver(ones(r,1)); %% GRU res = [F y]; %% 数据分析 num_size = 0.9; % 训练集占数据集比例 outdim = 1; % 最后一列为输出 num_samples = size(res, 1); % 样本个数 res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 划分训练集和测试集 P_train = res(1: num_train_s, 1: f_)'; T_train = res(1: num_train_s, f_ + 1: end)'; M = size(P_train, 2); P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; 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 )'; %% 数据平铺 % 将数据平铺成1维数据只是一种处理方式 % 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构 % 但是应该始终和输入层数据结构保持一致 P_train = double(reshape(P_train, 5, 1, 1, M)); P_test = double(reshape(P_test , 5, 1, 1, N)); %% 数据格式转换 for i = 1 : M p_train{i, 1} = P_train(:, :, 1, i); end for i = 1 : N p_test{i, 1} = P_test( :, :, 1, i); end %% 创建网络 layers = [ ... sequenceInputLayer(5) % 输入层 gruLayer(6, 'OutputMode', 'last') % GRU层 reluLayer % Relu激活层 fullyConnectedLayer(4) % 全连接层 softmaxLayer % 分类层 classificationLayer]; %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MiniBatchSize', 100, ... % 批大小 'MaxEpochs', 1000, ... % 最大迭代次数 'InitialLearnRate', 1e-2, ... % 初始学习率 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.1, ... % 学习率下降因子 'LearnRateDropPeriod', 700, ... % 经过700次训练后 学习率为 0.01 * 0.1 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'ValidationPatience', Inf, ... % 关闭验证 '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 percent_explained = 100*explain / sum(explain); [H,ax] =pareto(percent_explained); xlabel('主成分') ylabel('贡献率(%)') title('主成分贡献率') 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';