- 博客(3479)
- 资源 (54)
- 收藏
- 关注
RSS订阅
原创 守正创新，拥抱未来：机器学习之心2025年度总结
但同时，我更注重保持“人”的核心优势：对复杂问题的拆解能力、对技术趋势的独立判断、对项目实践的深刻复盘，以及与读者之间真实的情感与技术共鸣。作为一名深耕技术领域的优快云年度影响力博主，机器学习之心在这一年中，既见证了人工智能技术的迅猛冲击，也亲历了技术迭代的持续加速。在这样充满变局与机遇的一年里，我始终坚持“守正创新，拥抱未来”的信念，在创作中沉淀，在挑战中成长，在变化中寻找平衡与突破。路漫漫其修远兮，2026，让我们继续同行，在技术的星辰大海中，守住一盏思考的灯，传递一份真实的光。
2025-12-27 10:06:03
849
原创 程序全家桶 | 机器学习之心【Python机器学习/深度学习程序全家桶】
程序全家桶 | 机器学习之心【Python机器学习/深度学习程序全家桶】
2024-02-16 22:43:49
1673
3
原创 继续声明 | 连声明都抄，谁抄袭谁，一目了然，现在竟然恬不知耻的反咬一口。
继续声明 | 连声明都抄，谁抄袭谁，一目了然，现在竟然恬不知耻的反咬一口。
2023-12-31 21:53:08
1555
1
原创 声明 | 为打击假冒账号、恶意抄袭账号等诈骗活动，提升本账号权威，本博主特此郑重声明
声明 | 为打击假冒账号、恶意抄袭账号等诈骗活动，提升本账号权威，本博主特此郑重声明
2023-12-26 10:19:53
1196
2
原创 郑重声明 | 【机器学习之心】无小号，打者本人旗号干活的其他号，本人概不负责，可笑，未经过我同意就成你们的合作账号了？
郑重声明 | 【机器学习之心】无小号，打者本人旗号干活的其他号，本人概不负责，可笑，未经过我同意就成你们的合作账号了？
2023-12-13 12:31:54
534
原创 面向小样本工况的WassersteinGAN信号生成与覆盖度评估，MATLAB代码
面向小样本工况的WassersteinGAN信号生成与覆盖度评估，MATLAB代码
2026-11-07 23:34:06
273
原创 PINN-LSTM物理信息神经网络的CO2羽流分布预测方法，四模型对比MATLAB代码
PINN-LSTM物理信息神经网络的CO2羽流分布预测方法，四模型对比MATLAB代码
2026-11-06 23:12:35
399
原创 五模型航空发动机剩余寿命预测（CNN+LSTM+GRU+BiGRU+BiLSTM）C-MAPSS数据集+MATLAB代码
五模型航空发动机剩余寿命预测（CNN+LSTM+GRU+BiGRU+BiLSTM）C-MAPSS数据集+MATLAB代码
2026-11-05 22:55:44
415
原创 WOA-GPR做SOH估计与RUL预测，锂电池健康状态估计和剩余寿命预测，MATLAB代码
WOA-GPR做SOH估计与RUL预测，锂电池健康状态估计和剩余寿命预测，MATLAB代码
2026-11-04 23:02:55
276
原创 基于贝叶斯物理信息神经网络的矿产预测与不确定性量化，MATLAB代码及复现报告
基于贝叶斯物理信息神经网络的矿产预测与不确定性量化，MATLAB代码及复现报告
2026-10-30 22:56:24
356
原创 TCN-LSTM-MATT短期电力负荷预测四模型对比，MATLAB 代码的拆解与实测对比
TCN-LSTM-MATT短期电力负荷预测四模型对比，MATLAB代码的拆解与实测对比
2026-10-28 22:34:43
467
原创 双重物理信息神经网络做区域冷热源调度：一份能跑通的 MATLAB 复现笔记
双重物理信息神经网络做区域冷热源调度：一份能跑通的 MATLAB 复现笔记
2026-10-27 23:44:59
533
原创 电池SOH估计和RUL预测，五个时间特征 + 基于GPR高斯过程回归的锂电池健康状态估计和剩余寿命预测
电池SOH估计和RUL预测，五个时间特征 + 基于GPR高斯过程回归的锂电池健康状态估计和剩余寿命预测
2026-10-25 22:14:34
353
原创 198种组合算法+优化CNN-Transformer+SHAP分析+新数据预测+多输出！
198种组合算法+优化CNN-Transformer+SHAP分析+新数据预测+多输出！
2026-10-24 21:14:32
487
原创 PINN × SVM × NSGA-II × 熵权TOPSIS：一套跑通「建模—优化—决策」的多目标优化框架
PINN × SVM × NSGA-II × 熵权TOPSIS：一套跑通「建模—优化—决策」的多目标优化框架
2026-10-21 23:16:51
494
2
原创 把 PINN 塞进群智能反演：一次可审计的结构损伤识别 MATLAB 复现
把 PINN 塞进群智能反演：一次可审计的结构损伤识别 MATLAB 复现
2026-10-20 23:18:11
376
原创 给地铁牵引系统做一次“体检“：灰色聚类 + 正态云模型的MATLAB完整实现
给地铁牵引系统做一次"体检"：灰色聚类 + 正态云模型的 MATLAB 完整实现
2026-10-19 22:36:38
286
1
原创 新型电力系统下PI-LSTM物理信息长短期记忆神经网络的电力变压器状态评估方法
新型电力系统下PI-LSTM物理信息长短期记忆神经网络的电力变压器状态评估方法
2026-10-17 16:37:49
708
1
原创 基于残差融合WOA-BiLSTM-EKF的锂电池SOC估计，实验报告+MATLAB代码
基于残差融合WOA-BiLSTM-EKF的锂电池SOC估计，实验报告+MATLAB代码
2026-10-17 00:09:33
87
原创 GRU + SHAP + NSGA-II：多目标预测与优化的完整技术方案
GRU + SHAP + NSGA-II：多目标预测与优化的完整技术方案
2026-10-12 21:42:14
433
原创 PINN物理信息神经网络的隧道通风降尘预测研究，让神经网络自己学会流体方程
PINN物理信息神经网络的隧道通风降尘预测研究，让神经网络自己学会流体方程
2026-10-11 16:36:01
399
原创 DCNN-PINN锂电池SOC估计，因果空洞卷积+物理信息神经网络，把库仑定律写进损失函数，MATLAB代码
DCNN-PINN锂电池SOC估计，因果空洞卷积+物理信息神经网络，把库仑定律写进损失函数，MATLAB代码
2026-10-08 22:19:05
359
原创 当物理方程遇上神经网络：我用 MATLAB 从头复现了一篇 PINN 泄漏扩散论文
当物理方程遇上神经网络：我用MATLAB从头复现了一篇 PINN 泄漏扩散论文
2026-10-07 17:10:46
359
原创 BiLSTM神经网络+SHAP可解释性分析+NSGA-II工艺参数优化，从预测到可解释性再到多目标优化的全流程实战，MATLAB代码
BiLSTM神经网络+SHAP可解释性分析+NSGA-II工艺参数优化，从预测到可解释性再到多目标优化的全流程实战，MATLAB代码
2026-09-22 21:34:51
332
原创 基于NSGA-II算法的水光互补多目标水电站短期电力调度优化，MATLAB代码
基于NSGA-II算法的水光互补多目标水电站短期电力调度优化，MATLAB代码
2026-09-19 15:04:41
667
原创 基于KPCA-BiLSTM的光伏发电功率超短期预测：从非线性降维到双向时序建模的完整实践
基于KPCA-BiLSTM的光伏发电功率超短期预测：从非线性降维到双向时序建模的完整实践
2026-09-17 21:12:53
336
原创 物理损失+二次分解+时序预测，CEEMDAN-VMD-PINN单变量时间序列预测模型，把一条物理方程塞进损失函数，MATLAB代码
物理损失+二次分解+时序预测，CEEMDAN-VMD-PINN单变量时间序列预测模型，把一条物理方程塞进损失函数，MATLAB代码
2026-09-15 21:26:59
367
原创 PINN × LSBoost × NSGA-II × 熵权TOPSIS：一套跑通「建模—优化—决策」的多目标优化框架
PINN × LSBoost × NSGA-II × 熵权TOPSIS：一套跑通「建模—优化—决策」的多目标优化框架
2026-09-14 20:53:30
428
原创 15 分钟光伏功率预测：我把相似日聚类、SSA 和 PINN 塞进了一条 MATLAB 流水线，结果最笨的基线赢了
15 分钟光伏功率预测：我把相似日聚类、SSA 和 PINN 塞进了一条 MATLAB 流水线，结果最笨的基线赢了
2026-09-10 23:10:37
270
CPO-CNN-BiLSTM多输出回归+SHAP可解释分析，MATLAB代码
CPO-CNN-BiLSTM 多输出回归+SHAP可解释分析，MATLAB代码
整套代码以 main.m 为总入口，一键运行即可产出全部图表与指标，模块化 拆解后具备以下能力：
超参数智能寻优：以测试集 RMSE 为适应度函数，用 CPO 搜索 5 个关键超参（卷积核、特征图、池化窗口、池化步长、BiLSTM 神经元数）。
多输出回归建模：CNN-BiLSTM 同时拟合 y1、y2 两个输出，输出层神经元数等于输出维度。
数据归一化与样本划分：mapminmax 将特征与输出归一化到 [0,1]，默认 8:2 划分训练/测试集，支持是否打乱样本。
对照实验：yuan.m 用一组经验默认参数训练未优化的 CNN-BiLSTM，与优化版本逐项对比，验证 CPO 的价值。
精度评价：zhibiao.m 计算每个输出的 RMSE、R²、MAE，并分别生成训练集/测试集指标表。
可解释分析：shapley_function.m 计算各样本 SHAP 值，输出蜂群图（特征贡献分布）与条形图（全局特征重要性）。
新数据预测：newpre.m 读入新的多输入.xlsx，完成归一化→预测→反归一化，结果写入新的输出.xlsx。
丰富可视化：收敛曲线、雷达图对比、真实值/预测值曲线、百分比误差柱状图、回归拟合图、训练过程 RMSE/Loss 曲线一应俱全。
2026-08-25
LSTM神经网络+SHAP可解释性分析+NSGA-II工艺参数优化，从预测到可解释性再到多目标优化的全流程实战，MATLAB代码
在工业生产和工程实践中，我们常常面临这样的问题：给定一组可调节的输入参数，如何预测多个输出指标？又如何找到最优的输入参数组合，使得多个相互冲突的目标同时达到最佳？
例如，在化工生产中，反应温度、压力、催化剂用量等参数会影响产品的产量、纯度、能耗和排放四个指标。我们希望产量最大化、能耗最小化、排放最小化，但这些目标之间往往存在冲突——提高产量可能增加能耗，降低排放可能牺牲纯度。
传统的解决思路是建立机理模型（如偏微分方程 ），但实际系统往往过于复杂，难以用精确的数学公式描述。数据驱动的方法成为更优选择：
LSTM（长短期记忆网络）：强大的时序/非线性回归预测能力，能基于历史数据建立输入到输出的映射关系
SHAP（Shapley值解释）：可解释性分析，揭示每个输入特征对预测结果的具体贡献
NSGA-II（非支配排序遗传算法）：多目标优化，在冲突目标间寻找Pareto最优解
本文将完整呈现这一技术路线，从数据预处理 、LSTM建模、SHAP可解释性分析到NSGA-II多目标优化，附全部代码与运行结果。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/164034347
2026-08-24
小龙虾优化算法（COA）优化的CNN-LSTM多输出回归模型及其SHAP可解释性分析MATLAB完整代码
小龙虾优化算法（COA）优化的CNN-LSTM多输出回归模型及其SHAP可解释性分析MATLAB完整代码
本文提出一套完整的端到端解决方案：以小龙虾优化算法（Crayfish Optimization Algorithm, COA） 自动搜索CNN-LSTM的最优超参数组合，再通过合作博弈论中的Shapley值对模型预测进行特征贡献量化，实现"优化+解释"双轮驱动。最终构建出一个高精度、可解释、多输出的回归预测系统。
环节一：数据预处理
将训练数据转换为 cell 格式以适应 MATLAB 的 sequenceInputLayer
环节二：COA智能优化
利用混沌映射（默认Tent映射）生成初始种群，增强种群多样性
COA算法模拟小龙虾在夏季的避暑、竞争和觅食行为进行全局搜索
以测试集RMSE为适应度函数，迭代搜索最优超参数组合
环节三：CNN-LSTM建模
利用优化得到的最优参数构建CNN-LSTM网络
采用Adam优化器 + 分段学习率衰减策略训练500轮
同时训练一组默认参数（未优化）的CNN-LSTM作为对比基线
环节四：SHAP可解释分析
基于Shapley值的博弈论框架，遍历所有特征子集组合
计算每个特征对每个输出预测的边际贡献
输出蜂群图（分布可视化）和条形图（全局重要性排序）
环节五：新数据预测
加载已保存的归一化参数和训练好的网络模型
对新输入数据执行归一化→预测→反归一化流程
2026-06-11
基于Stacking集成学习的数据回归预测（4种基学习器PLS、SVM、BP、RF，元学习器BiLSTM）MATLAB完整代码
基于Stacking集成学习的数据回归预测（4种基学习器PLS、SVM、BP、RF，元学习器BiLSTM）MATLAB完整代码
介绍了一种基于Stacking策略的集成学习回归预测方法：以偏最小二乘（PLS）、支持向量机（SVM）、BP神经网络、随机森林（RF）作为基学习器，以双向长短期记忆网络（BiLSTM）作为元学习器，构建两层融合预测架构。实验结果表明，Stacking模型R²达到0.9881，较基学习器平均性能提升14.67%，实现了多模型协同互补、精度显著超越单一模型的预期目标。
编程语言 MATLAB2020
2026-06-09
基于PSO-TCN-Transformer的多输出回归预测与SHAP可解释性分析MATLAB（R2024b及以上）
基于PSO-TCN-Transformer的多输出回归预测与SHAP可解释性分析MATLAB（R2024b及以上）
本文构建了一套PSO-TCN-Transformer + SHAP的完整分析框架：利用粒子群优化算法自动搜索最优超参数，采用TCN与Transformer的混合架构捕获时序特征中的长程依赖，并通过SHAP值对特征贡献进行量化分析，实现预测精度与可解释性的双赢。
详细步骤
Step 1：数据预处理
读取Excel多输入多输出数据（5个输入特征 × 2个输出目标）
采用Min-Max归一化将数据映射到[0,1]区间，保留归一化参数以便后续反归一化
按8:2比例随机划分训练集与测试集
Step 2：PSO超参数优化
以RMSE为目标函数，搜索5维超参数空间
采用Tent混沌映射初始化粒子种群，增强搜索多样性
线性递减惯性权重策略（w: 0.9→0.6）平衡全局探索与局部开发
Step 3：TCN-Transformer混合网络构建
TCN部分：多层膨胀卷积 + 跳跃连接 + Dropout正则化，膨胀因子以2的幂次指数增长
Transformer部分：位置编码 + 双层自注意力机制 + 残差连接
全连接层将序列特征映射到多输出维度
Step 4：模型训练与评估
Adam优化器 + 分段学习率衰减策略
计算RMSE、R²、MAE三个精度指标
与未优化模型进行对比分析
Step 5：SHAP分析
基于合作博弈论，计算每个测试样本中各特征的Shapley值
绘制蜂群图展示特征贡献分布，条形图展示全局特征重要性排序
Step 6：新数据预测
加载新的多输入数据，自动归一化后送入训练好的网络
反归一化还原真实尺度，结果保存至Excel文件
2026-06-06
蜣螂优化+深度混合核极限学习机（DBO-DHKELM）分类预测MATLAB代码
在工业故障诊断、医学影像分类、金融风控等实际场景中，分类预测始终是机器学习的核心任务。传统的分类方法（如 SVM、BP 神经网络、随机森林等）虽然应用广泛，但存在以下瓶颈：参数敏感性强：模型性能严重依赖人工调参经验；特征提取能力有限：对非线性、高维数据难以有效提取深层特征；泛化能力不足：在复杂多分类场景下容易过拟合或欠拟合。
极限学习机（Extreme Learning Machine, ELM）以其极快的训练速度和良好的泛化性能受到广泛关注。然而，标准 ELM 的随机输入权重带来的不稳定性，以及单核函数在异构数据上的表达能力局限，仍然是亟待解决的问题。
本文构建的 DBO-DHKELM 分类预测模型，创新性地将蜣螂优化算法与深度混合核极限学习机深度融合，实现了超参数的自动寻优与深层特征的自适应提取。在四分类任务上，模型取得了训练集 98.80%、测试集 90.74% 的优异准确率，且各类别的召回率、精确率和 F1 分数均衡良好，AUC 高达 0.97，充分验证了该方法的有效性和鲁棒性。
DBO-DHKELM = 群体智能全局寻优 + 深度自编码特征提取 + 混合核函数协同映射 = 高精度、高鲁棒、免调参的分类预测新方案。
本文基于 MATLAB 实现，代码结构清晰、模块化设计，适合学术研究与工程实践参考。
2026-06-04
RSM响应面法分析+MOPSO多目标粒子群优化特征参数寻优，MATLAB完整代码
基于实际MATLAB工程项目，系统梳理"响应面法代理模型构建 + MOPSO多目标粒子群优化"的完整技术路线，涵盖二次多项式拟合、非支配排序、拥挤距离维护、超体积收敛评估等核心环节，并提供可复现的参数设定与运行结果。
本项目处理的正是这样一个五输入、四输出的多目标优化问题。目标方向为：y₁ 最大化，y₂、y₃、y₄ 最小化。
传统做法有两种局限：一是直接用实验数据进行单目标加权，丢失了Pareto前沿的完整信息；二是在没有代理模型的情况下反复调用真实评价函数，在实验科学场景中根本不现实。
本文方案的核心思路是：先用响应面法（RSM）从有限实验数据中训练出高精度代理模型，再在代理模型上运行MOPSO算法搜索Pareto最优解集。
2026-06-01
上海原油期货收益率研究数据集
本数据集包含与上海原油期货收益率相关的多维度数据，涵盖原油期货价格、宏 观经济指标、金融市场指数、供需数据以及地缘政治风险等多个方面。数据时间跨度从1990年至2026年，适用于原油期货价格预测、收益率分析和风险管理研究。
数据预处理
日期格式统一：不同文件使用不同日期格式（YYYY/MM/DD、YYYY-MM-DD等），建议统一处理
缺失值处理：检查并处理缺失数据，特别是节假日和周末
频率对齐：根据研究需要将高频数据（日度）聚合为低频数据（周度/月度）
单位换算：注意不同文件的单位差异，进行必要的换算
分析应用
收益率计算：基于收盘价计算对数收益率或简单收益率
相关性分析：分析原油价格与汇率、股指、风险指标的相关性
预测建模：利用供需数据、宏观指标构建价格预测模型
风险管理：结合VIX、GPR等指标进行风险评估
注意事项
上海原油期货2018年3月26日上市，历史数据相对较短
不同数据源可能存在统计口径差异
地缘政治事件对原油价格影响显著，建议结合GPR指数分析
2026-05-28
桥梁工程基于改进RBFNN的多目标优化模型：大跨度RC拱桥施工期扣塔关键参数设计与性能提升研究
内容概要：本文围绕大跨度钢筋混凝土（RC）拱桥在悬臂浇筑施工过程中扣塔关键参数的优化问题，提出一种基于改进RBF神经网络（RBFNN）与多目标粒子群优化算法（MOPSO）相结合的优化方法。通过建立MIDAS/Civil有限元模型，系统分析扣塔高度与刚度对索力、拱肋线形、应力分布及扣塔自身稳定性的影响机制，并进行参数敏感性分析以确定关键输入变量。在此基础上，构建改进的RBFNN代理模型，替代耗时的有限元仿真，实现快速响应预测。进一步设计改进MOPSO算法，求解以结构受力最优为目标的多目标优化问题，最终获得Pareto最优解集并验证其工程可行性。研究实现了代理模型与智能优化算法在桥梁施工参数优化中的高效融合。;
适合人群：土木工程、桥梁与隧道工程领域的研究生、科研人员及从事大跨度拱桥设计与施工的技术工程师；具备有限元分析与智能算法基础的专业人士。;
使用场景及目标：①解决大跨度RC拱桥施工中扣塔-索力体系参数设计难题；②实现结构安全性、线形控制与施工经济性的多目标协同优化；③为复杂桥梁施工参数优化提供高效计算框架与工程参考方案。;
阅读建议：建议结合MIDAS/Civil与MATLAB平台，理解有限元建模、代理模型构建与多目标优化算法的协同流程，重点关注第三章参数影响分析、第四章RBFNN改进策略及第七章优化求解实现，宜配合程序代码与仿真数据同步研习。
2026-05-23
基于贝叶斯优化超参数的图卷积网络（BO-GCN）分类预测模型（Matlab完整代码）
在机器学习建模过程中，超参数的选择往往决定了模型的最终性能。传统做法依赖人工经验反复试错，不仅耗时耗力，而且难以找到全局最优组合。
图卷积网络（GCN）作为处理图结构数据的强大工具，在节点分类、图分类等任务中表现出色。然而，GCN的超参数（如隐层维度、学习率、训练轮次等）对模型性能影响显著，手动调参效率低下。
提出的 BO-GCN 框架，利用贝叶斯优化自动搜索GCN的最优超参数组合，实现了"一键调参"，让模型训练更加高效和智能。
整体流程
整个BO-GCN分类模型的流程可以概括为以下五个步骤：
数据预处理 → 图结构构建 → 贝叶斯优化超参数 → 最优模型训练 → 性能评估
适用场景
样本数量与特征维度匹配的中小规模分类任务
需要挖掘样本间隐含关系的分类问题
对模型可解释性和调参效率有较高要求的场景
运行环境
MATLAB R2020b及以上
2026-05-21
【生物医学工程】基于PINN的深度学习与多模型对比：利用Pennes方程实现人体核心温度动态预测
内容概要：本文档介绍了基于物理信息神经网络（PINN）的核心温度预测算法模块，利用Pennes生物传热方程作为物理约束构建模型，输入表面皮肤温度和热通量数据，输出核心温度预测值。系统采用Python、PyTorch与DeepXDE框架实现自动微分与PDE残差计算，结合NumPy、Pandas等工具进行数据预处理，并通过Matplotlib实现多类可视化分析。文档还设计了多种对比算法，包括统计模型、传统机器学习、时序深度学习及卡尔曼滤波等，用于验证PINN模型的有效性，并设置消融实验以评估物理损失项的作用。评价指标涵盖MAE、RMSE、R²和Pearson相关系数。数据来源于Figshare平台的Greenteg公开数据集，需对原始数据进行前30分钟剔除、单位转换等预处理操作。;
适合人群：具备一定机器学习与深度学习基础，熟悉物理建模或生物医学工程领域的研究人员或算法工程师（工作年限1-3年以上）；;
使用场景及目标：①研究融合物理先验知识与神经网络的体温预测模型；②开展基于PDE的生理信号建模与状态估计任务；③对比不同机器学习方法在小样本、高噪声生理数据下的性能表现；④实现可解释性强的健康监测算法开发；
阅读建议：学习者应重点关注PINN的构建思路与物理约束嵌入方式，结合代码实践完成数据清洗、模型搭建、训练优化与结果可视化全流程，并对比消融实验理解物理损失的重要性。
2026-05-21
PINN物理信息神经网络无人机三维轨迹预测（附实验报告+MATLAB代码）
一、研究背景
无人机三维轨迹预测在空域管理、自主避障、航迹规划等任务中具有重要意义。传统方法依赖精确的动力学模型或大量带标签的轨迹数据，但实际中模型往往存在不确定性，且观测数据常带有噪声。物理信息神经网络（Physics-Informed Neural Network, PINN） 通过将微分方程约束嵌入损失函数 ，可以在少量有噪观测下学习系统状态，并满足物理规律，特别适合小样本、模型部分已知的轨迹预测问题。
二、主要功能
该代码实现了一个基于 PINN 的无人机三维轨迹预测系统，具体功能包括：
生成仿真无人机轨迹（自定义加速度模型 + 运动学积分）。
模拟少量带噪声的位置观测（仅前 35% 时间点有观测）。
构建并训练 PINN：网络输入时间 t，输出状态向量 [x, y, z, vx, vy, vz]。
利用训练好的 PINN 对完整时间域（包括未来未观测区间）进行轨迹预测。
定量评估预测精度（RMSE、MAE、最大误差、终点误差）。
生成 SCI 风格的可视化图表（3D 轨迹对比、误差热图、动力学一致性、损失收敛曲线等）。
三、运行环境
软件要求：MATLAB R2024b或更高版本。
运行方式：直接执行 main.m，会在当前目录下创建 results 文件夹，输出图片和指标 CSV 文件。
四、应用场景
无人机航迹预测：在仅有稀疏、有噪 GPS 观测的情况下，结合无人机运动学/动力学知识，预测完整轨迹，适用于飞行器丢失信号后的位置估计。
目标跟踪与预测：对机动目标（如导弹、汽车）的短期轨迹外推。
小样本学习与物理约束融合：当实测数据有限但物理模型（如加速度规律）部分已知时，PINN 可提升预测精度与泛化能力。
科学研究与教学演示：展示 PINN 在解决微分方程反问题、时间序列预测中的应用原理。
2026-05-16
集成BWM法、熵权法、改进博弈论组合赋权与三角直觉模糊云模型的多属性评价模型，MATLAB完整代码
集成BWM法、熵权法、改进博弈论组合赋权与三角直觉模糊云模型的多属性评价模型，MATLAB完整代码
1. 研究背景
在复杂决策问题（如供应链绩效评价）中，单一评价方法难以同时处理指标的模糊性、随机性和主客观权重冲突。传统云模型虽能表达定性概念的随机性与模糊性，但对决策者犹豫信息的刻画不足。该代码将三角直觉模糊数与云模型相结合，提出了一种三角直觉模糊云模型，并集成BWM法、熵权法、改进博弈论组合赋权，实现了多属性综合评价的定量分析。
2. 主要功能
基于三角直觉模糊数构造评判矩阵，分离“支持云”与“非支持云”数字特征。
利用 BWM法 计算主观权重，熵权法 计算客观权重，通过 改进博弈论 求取融合主客观的组合权重。
构建五级评价标准云（很差→优秀）。
合成指标综合云，并计算各指标云及综合云与标准云的相似度。
确定评价等级，可视化云滴分布、三维云图、隶属度热图、相似度热力图及期望曲线。
输出各指标及整体的评价结果与分析建议。
2026-05-11
基于实数编码遗传算法的订单驱动市场最优交易路径规划，MATLAB代码
基于实数编码遗传算法的订单驱动市场最优交易路径规划，MATLAB代码
研究背景
该代码针对订单驱动市场中高频交易策略的自动化设计问题。在存在买卖价差、有限订单簿深度和交易成本的现实约束下，如何动态决定每时刻的买卖量以最大化最终收益是一个复杂优化任务。传统解析方法难以求解，故采用遗传算法进行随机启发式搜索。
主要功能
模拟生成带价格波动和深度的订单簿时间序列数据。
通过遗传算法优化一个长度为100的时间步的连续值交易决策向量（正为买入量，负为卖出量），最大化策略的最终利润。
评估交易路径时考虑市场摩擦：仅能以当前最优买/卖价和挂单量成交，并扣除双向交易成本。
输出最优交易路径、利润、实际成交量序列和算法收敛图。
算法步骤
数据生成：模拟中间价、买卖价差、bid/ask价格和数量；设定初始资金和持仓。
适应度函数：调用evaluate_trading_path，按时间顺序执行个体的交易决策，累积现金和持股，最终以清算价格计算利润。
遗传算法初始化：在[-1000,1000]范围内均匀随机生成200个实数编码个体。
主循环（300代）：
评估全部个体适应度，保留最优4个精英。
重复进行锦标赛选择、模拟二进制交叉（SBX）、高斯变异，生成新一代种群。
结果输出：显示最优利润，绘制买卖报价与成交量的双轴图及收敛曲线。
2026-05-07
GCN-TCN-Transformer回归预测+SHAP可解释性分析PyTorch完整代码和数据
GCN-TCN-Transformer回归预测+SHAP可解释性分析PyTorch完整代码和数据
运行环境
Python 3.x，PyTorch，PyTorch Geometric，torchinfo，scikit-learn，numpy，pandas，matplotlib，seaborn，shap0.42.1，tqdm等
技术路线
特征工程 → 图结构构建 → GCN空间特征提取 → TCN时序特征挖掘 → 特征拼接 + Transformer全局融合 → 回归预测 → 评估与可视化 → SHAP可解释性分析
主要功能
数据加载、标准化、划分训练/测试集
构建特征相关性图并作为GCN的邻接矩阵
实现GCN-TCN-Transformer回归模型
模型训练、验证、最佳模型保存
绘制丰富可视化图表（相关性矩阵、回归散点图、性能对比、SHAP分析）
输出评估指标（MSE、RMSE、MAE、R²等）
基于SHAP的特征重要性分析
2026-05-05
基于开普勒优化算法（KOA）优化CNN-BiGRU-Attention混合网络的时间序列预测模型，MATLAB完整代码和数据
主要功能
读取单变量时间序列数据（1_henan.xlsx），构造时序监督样本（延迟步长为4）。
搭建CNN-BiGRU-Attention双分支网络：CNN提取局部特征，BiGRU与自注意力层分别在前向和翻转序列中捕获时间依赖与重要时间步，最终拼接回归。
利用KOA优化三个关键超参数：初始学习率、卷积核大小、BiGRU隐含层神经元数。
训练完成后输出预测值、相对误差图、损失曲线、RMSE迭代曲线，并计算MAE、MAPE、RMSE等指标。
实现特征图可视化，辅助分析模型内部表示。
算法步骤（KOA优化部分）
初始化：随机生成行星位置（超参数组合），计算轨道离心率、周期。
适应度评估：将每个行星位置代入objectiveFunction，训练CNN-BiGRU-Attention模型并返回测试集MAPE作为适应度值。
排序与精英保留：记录当前最优解（太阳位置）及最优预测网络。
更新阶段：根据天体物理公式计算引力Fg、半长轴a1、速度V，结合随机二进制向量更新行星位置；以一定概率执行逃离局部最优操作。
边界处理：越界个体重置或截断。
贪婪选择：若新位置更优则替换，并更新全局最优。
重复步骤2-6直至最大迭代次数，输出最优超参数、最佳网络及预测结果。
数据说明
数据文件：1_henan.xlsx，工作表1_henan，C列1~246行。
内容：2000年1月至2020年
运行环境
软件：MATLAB R2024b
应用场景
本代码适用于小样本单变量月度时间序列预测任务，如：
区域空气质量/污染物浓度预测（PM2.5、AQI等）
电力负荷或能源消费预测
水文气象指标（降雨量、温度）月值预测
其他具有时序自相关性的经济/社会指标预测。
通过KOA自动寻优可避免手动调参，适合快速部署到类似结构的时间序列预测问题中。
2026-05-04
XJTU电池数据集，西安交通大学（Xi’an Jiaotong University）充放电循环数据
西安交通大学 电气工程学院、储能科学与工程研究院 或 电力设备电气绝缘国家重点实验室 的课题组，在锂离子电池老化、热管理、SOC/SOH 估计等实验中可能采集了充放电循环数据。
2026-05-02
TJU 电池数据集，在电池建模、SOC/SOH 估计研究中可能采集了充放电循环数据
天津大学电气自动化与信息工程学院、化工学院或智能电网相关团队在电池建模、SOC/SOH 估计研究中可能采集了充放电循环数据。
2026-05-02
MIT电池数据集，麻省理工学院（MIT） 与 斯坦福大学 等机构联合发布的一组用于锂离子电池循环寿命预测的高质量数据集
MIT电池数据集，通常指的是 麻省理工学院（MIT） 与 斯坦福大学 等机构联合发布的一组用于锂离子电池循环寿命预测的高质量数据集，相关成果发表于 《自然·能源》（Nature Energy） 2019 年的论文：“Data-driven prediction of battery cycle life before early cycles”。该数据集在电池退化研究领域使用广泛，具有较高的权威性。
数据集核心特点
目标：通过早期充放电循环数据（前几十个循环），预测电池的总循环寿命。
电池类型：商用 LFP（磷酸铁锂）/石墨 电芯（标称容量 1.1 Ah）。
实验规模：共 124 节电池，在 不同充放电倍率（如 0.5C、1C、2C、4C 等）和 不同恒流恒压充电截止条件 下进行循环老化实验。
数据量：超过 135 万 个充放电循环的电压、电流、温度、容量等时序记录。
关键特征：包含每节电池的 前 100 个循环（部分电池仅有几十个有效循环），以及对应的最终容量衰减至 80% 的循环数（寿命标签）。
2026-05-02
HUST相关团队发布电池数据集
华中科技大学在电池管理、锂离子电池健康评估等领域有深入的研究。例如，该校的人工智能与自动化学院或强电磁工程与新技术国家重点实验室可能发布过与电池寿命、充放电循环相关的实验数据。这类数据集通常用于剩余寿命预测（RUL）、容量衰减建模或故障诊断研究。你可以通过以下途径查找：
在 IEEE DataPort、Mendeley Data、Figshare 等数据平台上搜索关键词“HUST battery”或“Huazhong University of Science and Technology battery”。
2026-05-02
元胞自动机模拟柑橘感染青霉病的过程，MATLAB完整代码
元胞自动机模拟柑橘感染青霉病的过程，MATLAB完整代码
该代码实现了一个元胞自动机模型，用于模拟柑橘青霉病在果实接触面上的时空传播动态。
研究背景
柑橘青霉病是由青霉菌引起的常见采后病害，病斑会从局部感染开始，经潜伏、显症到产孢，最终形成绿色霉层。通过离散的元胞自动机可以模拟其接触传播与病斑扩展过程，为病害预测与防治提供理论参考。
主要功能
模拟病害在二维网格上的传播：健康组织被感染后进入潜伏期，随后依次转为显症病斑和产孢状态；可视化病斑扩展，并能生成GIF动画；当无潜伏、显症细胞且无产孢细胞时自动提前终止。
算法步骤
初始化200×200网格，所有细胞为健康(0)，在中心点放置显症感染源(状态2)。
每个时间步遍历所有细胞：
健康细胞若邻域存在显症(2)或产孢(3)细胞，则以概率pInfectionp_{\text{Infection}}p
Infection
转为潜伏(1)。
潜伏细胞计时达到潜伏期 TlatentT_{\text{latent}}T
latent
后转为显症(2)。
显症细胞计时达到显症期 TsymptomaticT_{\text{symptomatic}}T
symptomatic
后转为产孢(3)。
产孢细胞保持状态不变。
更新状态与计时矩阵，刷新图像显示。
检查终止条件，若没有传染性细胞则提前结束。
技术路线
采用同步更新的元胞自动机，离散时间、离散空间、四状态。传播依赖邻域接触（可选用Moore八邻域或von Neumann四邻域），感染概率引入随机性，潜伏期和显症期由整数计时器控制，形成“健康→潜伏→显症→产孢”的病程链。
2026-04-24
VMD滚动分解+BiLSTM多变量时序预测，防信息泄露，MATLAB完整代码和数据
VMD滚动分解+BiLSTM多变量时序预测，防信息泄露，MATLAB完整代码和数据
功能概述
该代码实现了一种基于变分模态分解（VMD）与双向长短期记忆网络（BiLSTM）的滚动多变量时间序列预测方法，专门用于防止在时间序列预测中因使用未来数据而导致的信息泄露问题。核心思想为：在预测未来每一步时，仅使用截至当前时刻的已知数据重新进行模态分解，再对每个模态分别建模预测，最后集成重构，从而保证模型的真实可用性与泛化能力。
主要功能：
对目标时间序列进行在线滚动 VMD 分解（随新数据到来动态更新分解结果）。
为每个 VMD 分解出的本征模态函数（IMF）训练独立的 BiLSTM 网络。
利用历史多变量特征（含目标变量历史值）构造滑动窗口输入，预测未来单步或多步目标值。
评估模型在测试集上的 RMSE、MAE、MAPE、R² 指标，并提供丰富的可视化图表。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/160438090
2026-04-23
BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测，MATLAB代码
BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测，MATLAB代码
读取股票日线数据（日期、成交量、开盘价、最高价、最低价、收盘价），按8:2划分训练集与测试集；
将所有特征（成交量、开高低收）进行Z-score标准化（基于训练集均值和标准差）；
使用贝叶斯优化搜索最优超参数组合（滞后阶数、隐藏层神经元数、正则化参数）；
基于最优超参数训练最终NARX神经网络模型；
在测试集上预测收盘价，并计算MSE、RMSE、MAE、MAPE四个误差指标；
绘制实际值与预测值对比曲线及残差图。
2026-04-21
无人机三维路径规划，基于蜣螂优化算法（DBO）实现多无人机协同集群避障路径规划附MATLAB完整代码
无人机三维路径规划，基于蜣螂优化算法（DBO）实现多无人机协同集群避障路径规划附MATLAB完整代码
无人机三维路径规划，基于蜣螂优化算法（DBO）实现考虑最低成本：路径、高度、威胁、转角的多无人机协同集群避障路径规划附代码
一、研究背景
问题需求：无人机在低空复杂环境中执行任务（如侦察、巡检）时，需自主规划避开地形障碍与雷达/火力威胁的最优路径，同时满足飞行约束与多机协同。
算法选择：DBO是2022年提出的新型元启发式算法，模拟蜣螂滚球、舞蹈、繁殖、觅食与偷窃行为，具有全局探索与局部开发平衡的特点，适用于高维非线性优化问题。
二、主要功能
环境建模：基于peaks函数生成山峰地形，并设置圆柱体威胁区（10个）。
多机路径规划：支持6架无人机从起点到终点的三维航迹协同规划。
成本评估：综合考虑路径长度、威胁碰撞、高度约束、平滑度四项目标。
结果可视化：绘制三维轨迹图、俯视图、成本收敛曲线及各成本项统计图。
三、算法 步骤（DBO核心流程）
初始化：随机生成蜣螂种群位置（球坐标参数），计算初始适应度。
滚球行为（生产者）：根据光照强度（随机数）更新位置，模拟粪球滚动。
舞蹈行为：当遇到障碍时，通过正切函数调整方向。
繁殖行为：在最优解附近生成子代（边界随迭代收缩）。
觅食行为：小蜣螂在局部区域搜索食物源。
偷窃行为：部分个体偷取其他蜣螂的粪球（全局最优扰动）。
边界约束与择优：越界处理，保留历史最优解。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/160382471
2026-04-21
VMD滚动分解+LSTM多变量时序预测，防信息泄露，MATLAB代码
VMD滚动分解+LSTM多变量时序预测，防信息泄露，MATLAB代码
该研究聚焦于多变量时间序列预测问题，旨在处理目标序列的非平稳、非线性特征。传统方法直接对原始序列建模，难以捕捉多尺度波动规律。代码采用变分模态分解（VMD）将目标序列分解为若干相对平稳的本征模态函数（IMF），结合长短期记忆网络（LSTM）对每个模态分别建模预测，并通过滚动分解策略严格避免未来信息泄露，实现符合真实预测场景的序列外推。研究背景对应能源负荷预测、金融指数预测、气象要素预报等实际应用中，需要利用历史多变量信息预测未来关键指标的需求。
VMD 自适应分解：对滚动增长的目标序列进行在线模态分解，分离不同中心频率的波动成分。
多变量时间窗口构造：将历史窗口内的所有特征（原始输入特征及目标历史值）展平作为 LSTM 输入，预测未来指定步长的模态值。
LSTM 多模态并行预测：为每个 IMF 独立训练 LSTM 网络，学习其局部时序规律。
滚动增量预测与防泄露机制：每预测一个测试点后，将其真实值纳入历史，重新分解并更新模型，完全模拟在线预测流程。
多维评估与可视化：提供 RMSE、MAE、MAPE、R² 指标，绘制预测对比曲线、回归散点图、误差直方图、分解模态图、频谱图及模态贡献条形图。
2026-04-20
比利时电力负荷数据，可用于分析气象因素（风能、湿度、温度、气压）与电力负荷之间的关系，或构建负荷预测模型
来源：比利时电力系统运行记录（推测为某时间序列监测数据）。
用途：可用于分析气象因素（风能、湿度、温度、气压）与电力负荷之间的关系，或构建负荷预测模型。
记录数：共约 3400+ 条（实际行数需确认，文件显示超过3000行）。
时间范围：未提供具体日期/时间戳，数据为按行排列的连续观测记录。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/160229109
2026-04-16
电池数据文件，元数据区域用于记录电池测试的核心配置信息
电池数据文件，元数据区域用于记录电池测试的核心配置信息
文件名称：电池数据.xlsx
文件类型：Microsoft Excel表格文件
数据维度：6行 × 9列
文件性质：电池测试数据记录模板/配置文件（非实际测量数据集）
数据完整性：无重复数据行，元数据区域存在部分空值（50%-66.67%），属于正常预留设计
2026-04-16
LSTM神经网络回归预测+SHAP可解释分析+新数据预测+多输出，MATLAB完整代码和数据
LSTM神经网络回归预测+SHAP可解释分析+新数据预测+多输出，MATLAB完整代码和数据
一、主要功能
LSTM多输出回归建模：训练一个具有5个输入、2个输出的LSTM网络，支持样本打乱、自动划分训练/测试集。
模型性能评估：计算训练集和测试集的RMSE、R²、MAE，并绘制预测对比图、百分比误差图、回归拟合图等。
新数据预测：加载新输入数据，自动进行归一化、格式转换、预测和反归一化，并保存预测结果。
SHAP值计算与可视化：对每个输出指标分别计算所有测试样本的SHAP值，生成蜂群图（展示特征贡献分布及特征值高低影响）和条形图（展示全局特征重要性排序）。
二、算法 步骤
数据预处理：读取Excel数据，对输入X和输出Y分别进行mapminmax归一化（范围[0,1]），保留归一化参数psin、psout。
数据集划分：根据用户选择是否打乱样本，按8:2比例划分训练集和测试集。
LSTM网络构建：创建sequenceInputLayer → lstmLayer(4个单元，输出模式'last') → reluLayer → fullyConnectedLayer(输出个数) → regressionLayer。
模型训练：使用Adam优化器，初始学习率0.01，每800轮学习率乘以0.1，最大训练轮数1000。
预测与反归一化：对训练集和测试集分别预测，再将预测值反归一化到原始量纲。
性能评估与绘图：循环处理每个输出指标，计算RMSE、R²、MAE，并绘制6类对比图。
新数据预测：调用newpre函数，对新输入数据进行归一化、预测、反归一化，保存结果。
SHAP分析：调用shapley_function，对每个输出指标依次计算测试样本的SHAP值，并生成两种可视化图。
编程环境：MATLAB2020
2026-04-09
LSTM神经网络回归预测+SHAP可解释分析MATLAB完整代码和数据
LSTM神经网络回归预测+SHAP可解释分析MATLAB完整代码和数据
代码研究背景
该代码实现了一个基于LSTM神经网络的回归预测模型，并引入**SHAP（Shapley Additive Explanations）**方法对模型预测结果进行可解释性分析。在深度学习（尤其是循环神经网络）应用于回归任务时，模型往往具有“黑箱”特性，难以理解各输入特征对最终预测的贡献。SHAP值基于合作博弈论中的Shapley值，能够公平分配各特征的边际贡献，从而提升模型的可解释性。
主要功能
数据预处理：读取Excel数据，归一化处理，按指定比例（默认80%）划分训练集和测试集，支持样本打乱/不打乱选择。
LSTM模型构建与训练：搭建包含输入层、LSTM层（4个隐含单元）、ReLU激活层、全连接层和回归层的网络，使用Adam优化器进行训练。
模型预测与评估：对训练集和测试集进行预测，反归一化后计算均方根误差（RMSE）、决定系数（R²）、平均绝对误差（MAE），并绘制预测对比曲线、百分比误差曲线及回归拟合图。
SHAP值计算与可视化：调用shapley_function，基于合作博弈论计算每个样本各特征的SHAP值，输出摘要蜂群图（展示特征贡献分布及特征值高低影响）和条形图（展示全局特征重要性排序）。
算法步骤
数据准备：读取回归数据.xlsx，特征变量归一化至[0,1]区间，目标变量归一化后保留参数。
数据集划分：根据用户选择是否打乱样本，按8:2比例分为训练集和测试集，并转换为LSTM所需的cell数组格式（每个样本为一列向量）。
LSTM网络构建：定义sequenceInputLayer(5)（假设5个特征）、lstmLayer(4, 'OutputMode', 'last')、reluLayer、fullyConnectedLayer(1)、regressionLayer。
2026-04-09
SSA-FMD基于麻雀搜索算法优化特征模态分解Matlab完整代码和数据
SSA-FMD基于麻雀搜索算法优化特征模态分解Matlab完整代码和数据
一、研究背景
在机械故障诊断中，振动信号通常具有非线性、非平稳特征。传统的信号分解方法（如 EMD、VMD）存在模态混叠、端点效应等问题。FMD 是一种较新的分解方法，通过迭代滤波提取信号中的特征模式，但其性能高度依赖参数（滤波器长度、模态个数）的选择。为此，引入麻雀搜索算法对 FMD 的关键参数进行自适应优化，以提高分解效果和故障识别能力。
二、主要功能
自适应参数优化：使用 SSA 优化 FMD 的滤波器长度和模态个数。
信号分解：调用 FMD 函数对输入信号进行分解，得到多个特征模式（IMF）。
目标函数选择：支持多种熵指标（包络熵、信息熵、排列熵、样本熵、能量熵）和峭度因子作为适应度函数。
结果可视化：绘制迭代曲线、参数变化图、分解图、幅值谱、功率谱、Hilbert谱等。
三、算法步骤
读取原始信号（如 Excel 文件）。
设置算法参数：频带切割数、迭代次数、采样频率、优化变量范围等。
定义目标函数：以包络熵等为适应度，调用 FMD 分解并计算适应度值。
SSA 优化：
初始化麻雀种群（滤波器长度、模态个数）。
计算适应度，更新发现者、加入者、预警者位置。
边界处理，迭代更新最优解。
输出最优参数：滤波器大小、模态个数。
使用最优参数进行 FMD 分解，保存结果并绘图。
运行环境
软件：MATLAB（建议 R2020b 及以上）
输入数据格式：单列 Excel 文件（如 测试数据.xlsx）
2026-04-08
CNN卷积神经网络锂电池剩余寿命预测，NASA数据集，MATLAB完整代码和数据
CNN卷积神经网络锂电池剩余寿命预测，NASA数据集(5号电池训练6号电池测试)，MATLAB代码
本代码使用卷积神经网络（CNN）对锂离子电池容量数据进行时间序列预测，实现剩余寿命（Remaining Useful Life, RUL）估计。
训练集：B0005号电池的容量衰减数据（来自NASA PCoE数据集）
测试集：B0006号电池的容量衰减数据
目标：预测电池容量何时降至阈值（1.4 Ah）以下，得到剩余循环次数。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159883057
2026-04-06
CEEMDAN-VMD-Transformer-GRU多元时间序列预测MATLAB完整代码和数据
CEEMDAN-VMD-Transformer-GRU多元时间序列预测MATLAB完整代码和数据
一、研究背景
实际工程与科学数据（如振动信号、电力负荷、金融时序）常呈现非线性、非平稳特征，单一预测模型难以充分提取多尺度信息。为此，结合自适应信号分解（CEEMDAN、VMD）与深度学习（Transformer、GRU）成为提升预测精度的有效手段。本代码实现了一套“分解-聚类-再分解-分量预测-重构”的完整流程，旨在提高复杂时间序列的预测性能。
二、主要功能
对原始信号进行CEEMDAN分解，获得若干本征模态函数（IMF）。
计算各IMF的样本熵，利用K‑means聚类将IMF合并为高频、中频、低频三组。
对高频重组信号实施VMD二次分解，进一步分离复杂模态。
对每个最终分量分别构建Transformer‑GRU混合模型进行预测。
叠加各分量预测结果，输出最终预测值，并计算多种评价指标（MAE、RMSE、R²、MAPE等），绘制雷达图、罗盘图等可视化结果。
三、运行环境
软件：MATLAB（R2024b以上）
四、应用场景
机械故障诊断：振动信号的多尺度分解与趋势预测
电力负荷预测：处理非平稳负荷数据，提高预测精度
金融时间序列：股票、汇率等复杂波动模式建模
气象/环境数据：温度、PM2.5浓度等时序预测
生物医学信号：心电、脑电信号分析与预测
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159864454
2026-04-05
CEEMDAN-VMD-Transformer-BiLSTM多元时间序列预测MATLAB完整代码和数据
CEEMDAN-VMD-Transformer-BiLSTM多元时间序列预测MATLAB完整代码和数据
运行环境
软件：MATLAB（建议 R2024b 及以上）
二、主要功能
main1_CEEMDAN_Kmeans_VMD.m
读取原始时间序列数据。
使用 CEEMDAN 将信号分解为多个本征模态函数（IMF）。
计算每个 IMF 的样本熵。
基于样本熵使用 K-means 聚类将 IMF 重构成高、中、低频三个分量。
对高频分量进一步使用 VMD 分解。
保存最终分解后的分量数据 Co_data.mat。
main2_CEEMDAN_VMD_Transformer_BiLSTM.m
加载分解后的分量数据。
对每个分量分别构建 Transformer + BiLSTM 模型进行预测。
将所有分量的预测结果求和得到最终预测值。
输出多种评价指标（MAE、MSE、RMSE、R²、MAPE、RPD 等）。
绘制预测对比图、误差图、雷达图、罗盘图等。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159835795
2026-04-04
PyTorch基于LightGBM的海洋温盐异常垂直剖面预测
总体目标
本代码利用LightGBM（LGBMRegressor）构建机器学习模型，对西北太平洋（NWP）区域海洋的温度异常（TSA）和盐度异常（SSSA）进行垂直剖面（57层） 预测。输入为14个海洋与涡旋特征变量，输出为每一层的温度与盐度异常值。
1 模型选择
仅使用LightGBM（可扩展支持其他模型，代码中预留了models_to_compare字典）。
超参数通过网格搜索（GridSearchCV）对第一层（表层）温度进行优化，得到最佳参数后用于所有层。
2 分层训练策略
由于输出为57个垂直层，模型对每一层独立训练一个温度模型和一个盐度模型，共114个LightGBM回归器。
输入：14个标准化特征
输出：该层的温度异常或盐度异常
3.3 训练细节
对每一层调用.fit()训练
训练完成后保存模型（joblib.dump），命名格式：{model_name}_tem_{area}_{layer}layers_best.model
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159806629
2026-04-03
基于 PyTorch 的深度学习项目，用于从海表卫星数据（SLA、SST、SSS 等）中反演海洋次表层温度（T）剖面（57 层） 模型融合了卷积神经网络（CNN）和 MLP
Eddynet.py 是一个基于 PyTorch 的深度学习项目，用于从海表卫星数据（SLA、SST、SSS 等）中反演海洋次表层温度（T）剖面（57 层）。模型融合了卷积神经网络（CNN）和 MLP 分支，并支持可选的注意力 机制（如 CloFormer 轻量化版本）。训练完成后自动提取 CNN 特征，并生成测试集上的评估曲线（RMSE、R 等）以及预测值与真实值的 CSV 文件。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159806554
2026-04-03
强化学习驱动的光伏功率时间序列预测：LSTM与GRU动态权重组合方法Python完整源码和数据
强化学习驱动的光伏功率时间序列预测：LSTM与GRU动态权重组合方法Python完整源码和数据
提出了一种基于强化学习思想的动态权重组合方法，利用一个轻量级神经网络智能体，根据LSTM和GRU的实时预测误差调整二者权重，并通过联合优化实现端到端训练。在光伏功率预测任务上，该方法相较于单一最优模型取得了显著的性能提升，展示了动态模型组合在时间序列预测中的潜力。未来工作将探索更复杂的状态表征和更多样化的基模型集成。本方法选用两种循环神经网络作为基模型：
• LSTM（长短期记忆网络）：通过门控机制（输入门、遗忘门、输出门）有效缓解长期依赖问题。
• GRU（门控循环单元）：结构比LSTM更简洁，参数量更少，训练效率更高，在许多序列任务中表现与LSTM相当。
两个模型均采用单层结构，隐藏单元数为64，输入特征维度为1（单变量时间序列），输出为下一时刻的预测值。
组合预测为两个基模型预测的加权平均
2026-04-03
CEEMDAN-VMD-Transformer-LSTM双重分解+编码器+长短期记忆神经网络多元时间序列预测MATLAB2024b完整代码和数据
CEEMDAN-VMD-Transformer-LSTM双重分解+编码器+长短期记忆神经网络多元时间序列预测MATLAB2024b完整代码和数据
算法步骤
CEEMDAN分解：对原始信号 X 进行CEEMDAN，得到多个IMF分量。
计算样本熵：对每个IMF计算样本熵（嵌入维数dim=2，相似容限r=0.2*std）。
K-means聚类：将样本熵值聚为3类，对应高频、中频、低频分量，并分别求和得到Co_IMF1（高频）、Co_IMF2（中频）、Co_IMF3（低频）。
VMD二次分解：对高频分量Co_IMF1进行VMD（K=3），得到3个模态。
合并分量：将VMD分解的3个模态与Co_IMF2、Co_IMF3合并为最终子序列集Co_data。
数据重构：对每个子序列，采用延时步长kim=2、预测步长zim=1构造输入输出对。
数据集划分：70%训练集，30%测试集，并进行归一化。
各分量建模：构建Transformer（位置嵌入+自注意力层）+ LSTM网络，采用Adam优化器训练。
预测与反归一化：分别得到各分量的训练/测试预测值。
集成求和：将所有分量的预测值相加，得到最终预测结果。
误差计算与可视化：输出各项评价指标并绘图。
————————————————
版权声明：本文为优快云博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/kjm13182345320/article/details/159805046
2026-04-03
Bayes-TCN-GRU+SHAP分析，贝叶斯优化时间卷积门控循环单元分类预测可解释性分析！Matlab完整代码和数据
Bayes-TCN-GRU+SHAP分析，贝叶斯优化时间卷积门控循环单元分类预测可解释性分析！Matlab完整代码和数据
数据准备
读取 Excel 数据，随机打乱，按类别分层划分训练集（70%）与测试集（30%）。
数据预处理
特征归一化到 [0,1]，标签转换为 categorical 格式，并组织成 cell 序列输入。
贝叶斯超参数优化
定义优化变量：卷积核数量、卷积核尺寸、dropout、残差块数、GRU 单元数、学习率、学习率衰减因子。
优化目标：最小化验证集分类误差（1-准确率）。
限制优化轮数与时间，记录最优参数。
模型构建与训练
根据最优参数构建 TCN‑GRU 网络（自定义函数 createTCNGRUNetwork）。
使用 Adam 优化器，训练 120 轮，学习率分段衰减。
监控训练过程，绘制训练曲线。
模型评估
计算训练集与测试集的分类准确率。
绘制预测结果对比图与混淆矩阵。
可解释性分析
对测试集部分样本计算 SHAP 值，绘制特征重要性图与特征依赖图。
结果保存
保存优化结果、最佳参数、准确率。
2026-04-01
扩散模型（Diffusion Model）数据生成+BP神经网络回归预测，Matlab完整代码和数据
扩散模型（Diffusion Model）数据生成+BP神经网络回归预测，Matlab完整代码和数据
1.主要功能
读取原始数据集，划分训练集与测试集；
训练扩散模型（去噪网络）学习原始特征分布；
反向扩散生成与原始样本分布相似的新特征样本；
利用原始+生成样本共同训练BP神经网络回归模型；
输出训练集与测试集的MAE、RMSE、R²等评价指标；
生成多组对比可视化图表，直观展示数据分布、预测效果及误差分析。
2. 算法步骤
数据预处理：读取数据、划分训练/测试集、Z-score标准化。
扩散模型训练
定义前向加噪过程：对训练样本随机加噪；
构建去噪网络（dlnetwork）；
通过预测噪声进行训练，优化MSE损失。
新样本生成
从标准正态分布采样初始噪声；
按反向扩散公式逐步去噪，生成新的特征向量；
对生成的标签采用有放回采样方式从原始训练集中抽取。
BP神经网络训练
用增强后的训练集训练BP网络；
在测试集上进行预测并反标准化。
结果评估与可视化
计算回归指标；
绘制数据分布对比、预测曲线、残差散点图、误差箱线图、拟合图、误差直方图等。
3.运行环境
软件：MATLAB2024b
输入文件：数据集.xlsx，最后一列为目标变量，其余为特征变量
2026-04-01
Bayes-TCN-BiLSTM+SHAP分析，贝叶斯优化时间卷积双向长短期网络分类预测可解释性分析！Matlab完整代码和数据
Bayes-TCN-BiLSTM+SHAP分析，贝叶斯优化时间卷积双向长短期网络分类预测可解释性分析！Matlab完整代码和数据
MATLAB 代码实现了一个基于贝叶斯优化（BO） 的 TCN-BiLSTM（时间卷积网络 + 双向长短期记忆网络） 分类模型，主要用于数据分类任务。以下是对代码的详细分析：
1.主要功能
数据导入与预处理
基于贝叶斯优化的超参数自动搜索
构建并训练 TCN-BiLSTM 分类网络
模型评估（准确率、混淆矩阵）
SHAP 可解释性分析（特征重要性、依赖图）
保存优化结果与模型
3. 算法步骤
数据准备
从 Excel 读取数据，最后一列为类别标签
按类别分层划分训练集（70%）与测试集（30%）
数据归一化（mapminmax）并转换为 cell 格式供网络输入
贝叶斯优化
定义超参数空间（如卷积核数、核大小、dropout、残差块数、BiLSTM单元数、学习率等）
设置目标函数（TCN-BiLSTM 在验证集上的分类误差）
运行贝叶斯优化，寻找最优超参数组合
模型训练
使用最佳超参数构建 TCN-BiLSTM 网络
设置训练参数（Adam优化器、学习率调度等）
在训练集上训练网络
模型评估
在训练集与测试集上预测
计算准确率，绘制预测对比图与混淆矩阵
可解释性分析（SHAP）
对部分测试样本计算 SHAP 值
绘制特征重要性条形图、特征依赖图等
2026-03-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人