Matlab實現BiTCN-BiGRU基于雙向時間卷積網絡結合雙向門控循環單元的數據多特征分類預測（多輸入單輸出）

分類效果

基本描述

1.MATLAB實現BiTCN-BiGRU基于雙向時間卷積網絡結合雙向門控循環單元的數據多特征分類預測（多輸入單輸出）分類預測(完整源碼和數據)
2.直接替換數據即可使用，保證程序可正常運行。
3.程序語言為matlab，程序可出分類效果圖，混淆矩陣圖。
運行環境matlab2023b及以上。
4.代碼特點：參數化編程、參數可方便更改、代碼編程思路清晰、注釋明細。

程序設計

%%  參數設置
%%  數據反歸一化
T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);% %%  數據排序
% [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);%%  性能評價
error1 = sum((T_sim1 == T_train))/M * 100 ;
error2 = sum((T_sim2 == T_test)) /N * 100 ;%%  繪圖
figure()         
legend('真實值', '預測值')
xlabel('預測樣本')
ylabel('預測結果')
string = {'訓練集預測結果對比'; ['準確率=' num2str(error1) '%']};
title(string)
xlim([1, M])
gridfigure
legend('真實值', '預測值')
xlabel('預測樣本')
ylabel('預測結果')
string = {'測試集預測結果對比'; ['準確率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid%%  混淆矩陣
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';

參考資料

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