多輸入多輸出 | Matlab實現GA-CNN遺傳算法優化卷積神經網絡多輸入多輸出預測

預測效果

基本介紹

Matlab實現GA-CNN遺傳算法優化卷積神經網絡多輸入多輸出預測（完整源碼和數據）
1.data為數據集，輸入10個特征，輸出3個變量。
2.main.m為程序主文件，其他為函數文件無需運行。
3.命令窗口輸出MBE、MAE、RMSE、R^2和MAPE，可在下載區獲取數據和程序內容。
4.優化參數為學習率、批處理樣本大小和正則化參數。
注意程序和數據放在一個文件夾，運行環境為Matlab2018及以上。

程序設計

• 完整源碼和數據獲取方式：私信博主回復Matlab實現GA-CNN遺傳算法優化卷積神經網絡多輸入多輸出預測。

%%  參數設置
% ----------------------  修改模型參數時需對應修改fical.m中的模型參數  --------------------------
options = trainingOptions('adam', ...           % Adam 梯度下降算法'MaxEpochs', 300, ...                  % 最大訓練次數 'MiniBatchSize',best_MiniBatchSize, ...%批大小，每次調整參數前所選取的樣本數量'InitialLearnRate', best_lr, ...       % 初始學習率 best_lr'LearnRateSchedule', 'piecewise', ...  % 學習率下降'LearnRateDropFactor', 0.5, ...        % 學習率下降因子 0.1'LearnRateDropPeriod', 200, ...        % 經過訓練后 學習率為 best_lr * 0.5'Shuffle', 'every-epoch', ...          % 每次訓練打亂數據集'ValidationPatience', Inf, ...         % 關閉驗證'L2Regularization', best_l2, ...       % 正則化參數'Plots', 'training-progress', ...      % 畫出曲線'Verbose', false);%%  訓練模型
net = trainNetwork(p_train, t_train, layers, options);%%  仿真驗證
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );%%  數據反歸一化
T_sim1 = mapminmax('reverse', t_sim1', ps_output);
T_sim2 = mapminmax('reverse', t_sim2', ps_output);

參考資料

[1] https://blog.csdn.net/kjm13182345320/category_11003178.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/117378431
[3] https://blog.csdn.net/kjm13182345320/article/details/118253644