多输入多输出 | MATLAB实现CNN-GRU卷积门控循环单元多输入多输出

多输入多输出 | MATLAB实现CNN-GRU卷积门控循环单元多输入多输出

目录

• 多输入多输出 | MATLAB实现CNN-GRU卷积门控循环单元多输入多输出

• 预测效果
• 基本介绍
• 程序设计
• 往期精彩
• 参考资料

预测效果

基本介绍

MATLAB实现CNN-GRU卷积门控循环单元多输入多输出，运行环境Matlab2020及以上。采用特征融合的方法,通过卷积网络提取出浅层特征与深层特征并进行联接,对特征通过卷积进行融合,将获得的矢量信息输入GRU单元。

程序设计

%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%
% GRU 层设置，参数设置
inputSize = size(xnorm{1},1);   %数据输入x的特征维度
outputSize = size(ynorm,2);     %数据输出y的维度  
numhidden_units1=50;            %网络单元
numhidden_units2= 20;
numhidden_units3=100;
%%
% gru

%%  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 );