- 博客(3117)
- 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
604
原创 机器学习之心，无小号，已认证博客专家，完整程序代码地址，2024年度总结
机器学习之心，无小号，已认证博客专家，完整程序代码地址，2024年度总结
2024-12-27 22:13:10
521
2
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
1508
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
1418
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
1110
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
456
原创 基于GA-HIDMSPSO算法优化BP神经网络+NSGAII多目标优化算法工艺参数优化、工程设计优化（三目标优化案例）
基于GA-HIDMSPSO算法优化BP神经网络+NSGAII多目标优化算法工艺参数优化、工程设计优化（三目标优化案例）
2026-01-08 22:27:57
525
原创 MATLAB基于GWO优化Transformer多输入多输出回归预测与改进NSGA III的多目标优化
MATLAB基于GWO优化Transformer多输入多输出回归预测与改进NSGA III的多目标优化
2026-01-08 22:19:19
391
原创 BO-BiLSTM贝叶斯优化双向长短期记忆神经网络回归预测（多输入多输出）MATLAB代码
BO-BiLSTM贝叶斯优化双向长短期记忆神经网络回归预测（多输入多输出）MATLAB代码
2026-01-07 23:06:01
5
原创 BO-BiLSTM贝叶斯优化双向长短期记忆神经网络回归预测（多输入单输出）MATLAB代码
BO-BiLSTM贝叶斯优化双向长短期记忆神经网络回归预测（多输入单输出）MATLAB代码
2026-01-07 23:02:04
116
原创 BO-LSTM贝叶斯优化长短期记忆神经网络回归预测（多输入多输出）MATLAB代码
BO-LSTM贝叶斯优化长短期记忆神经网络回归预测（多输入多输出）MATLAB代码
2026-01-07 22:43:44
5
原创 BO-LSTM贝叶斯优化长短期记忆神经网络回归预测（多输入单输出）MATLAB代码
BO-LSTM贝叶斯优化长短期记忆神经网络回归预测（多输入单输出）MATLAB代码
2026-01-07 22:33:13
43
原创 科研绘图 | VMD-Transformer-BiGRU锂电池剩余寿命预测模型结构图
科研绘图 | VMD-Transformer-BiGRU锂电池剩余寿命预测模型结构图
2026-01-06 22:23:42
309
原创 分解+组合+RUL预测！VMD-Transformer-BiGRU锂电池剩余寿命预测（容量特征提取+剩余寿命预测）
分解+组合+RUL预测！VMD-Transformer-BiGRU锂电池剩余寿命预测（容量特征提取+剩余寿命预测）
2026-01-06 22:01:13
678
原创 信号分解和小波阈值联合降噪 | RIME-VMD霜冰算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB代码
信号分解和小波阈值联合降噪 | RIME-VMD霜冰算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB代码
2026-01-05 22:22:33
999
原创 BO-CNN-BiGRU贝叶斯优化卷积双向门控循环单元多输入多输出预测，MATLAB代码
BO-CNN-BiGRU贝叶斯优化卷积双向门控循环单元多输入多输出预测，MATLAB代码
2026-01-04 11:45:10
1111
原创 创新未发表！GA-PINN遗传算法优化的物理信息神经网络多变量回归预测，MATLAB代码
创新未发表！GA-PINN遗传算法优化的物理信息神经网络多变量回归预测，MATLAB代码
2025-12-30 22:43:26
1174
原创 基于贝叶斯优化（BO）的 CNN-GRU 混合神经网络模型多输出回归预测MATLAB
基于贝叶斯优化（BO）的CNN-GRU混合神经网络模型多输出回归预测MATLAB
2025-12-30 22:34:33
668
原创 科研绘图 | TCN-LSTM时间卷积神经网络结合长短期记忆神经网络模型结构图
科研绘图 | TCN-LSTM时间卷积神经网络结合长短期记忆神经网络模型结构图
2025-12-28 21:38:12
297
原创 MATLAB基于BP神经网络-多模态多目标优化的喷墨打印纳米银导线工艺参数优化
MATLAB基于BP神经网络-多模态多目标优化的喷墨打印纳米银导线工艺参数优化
2025-12-28 21:01:23
210
原创 BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆神经网络多输入多输出预测，MATLAB代码
BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆神经网络多输入多输出预测，MATLAB代码
2025-12-28 20:46:00
971
原创 TCN-BiGRU回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB代码
TCN-BiGRU回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB代码
2025-12-28 19:40:54
773
原创 BO-CNN-LSTM贝叶斯优化卷积长短期记忆神经网络多输入多输出预测，MATLAB代码
BO-CNN-LSTM贝叶斯优化卷积长短期记忆神经网络多输入多输出预测，MATLAB代码
2025-12-27 23:06:32
1097
1
原创 最小二乘支持向量机（LSSVM）结合遗传算法（GA）解决单目标优化问题，MATLAB代码
最小二乘支持向量机（LSSVM）结合遗传算法（GA）解决单目标优化问题，MATLAB代码
2025-12-25 22:01:23
583
原创 基于PSO-GA混合算法的施工进度计划多目标优化，以最小化总成本并实现资源均衡，满足工期约束和资源限制，MATLAB代码
基于PSO-GA混合算法的施工进度计划多目标优化，以最小化总成本并实现资源均衡，满足工期约束和资源限制，MATLAB代码
2025-12-25 21:52:49
1327
十种智能优化算法优化RBF神经网络多输入单输出回归MATLAB完整代码和数据
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型，其核心是通过智能优化算法自动寻找最优的RBF扩展参数（spread），以提升预测精度。
1.主要功能
多算法优化RBF网络：使用多种智能优化算法优化RBF神经网络的核心参数spread。
回归预测：对输入特征进行回归预测，适用于连续值输出问题。
性能对比：对比不同优化算法在训练集和测试集上的预测性能，绘制适应度曲线、预测对比图、误差指标柱状图等。
2.算法步骤
数据准备：导入数据，随机打乱，划分训练集和测试集（默认7:3）。
数据归一化：使用mapminmax将输入和输出归一化到[0,1]区间。
标准RBF建模：使用固定spread=100建立基准RBF模型。
智能优化循环：
调用优化算法（从指定文件夹中读取算法文件）优化spread参数。
使用优化后的spread重新训练RBF网络。
评估预测结果，保存性能指标。
结果可视化：
绘制适应度曲线、训练集/测试集预测对比图。
绘制误差指标（MAE、RMSE、MAPE、MBE）柱状图。
十种智能优化算法分别是：
GWO：灰狼算法
HBA：蜜獾算法
IAO：改进天鹰优化算法，改进①：Tent混沌映射种群初始化，改进②：自适应权重
MFO：飞蛾扑火算法
MPA：海洋捕食者算法
NGO：北方苍鹰算法
OOA：鱼鹰优化算法
RTH：红尾鹰算法
WOA：鲸鱼算法
ZOA：斑马算法
2025-12-07
Matlab实现PSO-RF粒子群算法优化随机森林多变量回归预测完整代码和数据
Matlab实现PSO-RF粒子群算法优化随机森林多变量回归预测完整代码和数据
1.Matlab实现PSO-RF粒子群算法优化随机森林多变量回归预测；
2.输入5个特征，输出1个，即多输入单输出；
3.运行环境Matlab2018及以上,运行主程序main即可，其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集；
4.粒子群优化随机森林树数目、最大深度，命令窗口输出MAE、R2、MBE等评价指标；
2025-12-07
GS-RF网格搜索优化随机森林回归+SHAP分析+交叉验证+特征依赖图，MATLAB完整代码和数据
一、主要功能
实现基于随机森林回归模型（Random Forest Regression） 的预测建模与参数优化流程，包括：
数据预处理与划分
网格搜索+交叉验证 优化模型参数
模型训练与评估
SHAP值分析 解释特征重要性
多维度可视化（参数搜索、误差曲线、拟合图、特征重要性等）
二、算法步骤
数据准备
读取Excel数据
随机打乱数据
划分训练集/测试集（7:3）
数据归一化（mapminmax）
参数优化（网格搜索 + 5折交叉验证）
遍历 trees = 1:30
遍历 leaf = 1:10
计算每个参数组合的平均交叉验证MSE
模型训练
使用最优参数训练随机森林模型
计算袋外误差（OOB Error）
计算特征重要性
预测与评估
训练集/测试集预测
反归一化还原结果
计算多个评估指标
SHAP分析
计算SHAP值解释特征贡献
可视化SHAP摘要图与特征依赖图
可视化输出
参数搜索3D图
误差曲线、拟合图、误差直方图
特征重要性条形图
线性拟合散点图
三、运行环境
平台：MATLAB R2018b 或更高版本
必要工具箱：
Statistics and Machine Learning Toolbox
可能需要 SHAP 自定义函数支持
数据格式：Excel文件（.xlsx），最后一列为输出变量
2025-12-01
SSA-TCN回归+SHAP分析+新数据预测+多输出，MATLAB完整代码和数据
SSA麻雀搜索算法优化TCN时间卷积神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，MATLAB代码！主要功能如下：
1.主要功能
多输出回归预测：使用TCN时间卷积神经网络对多变量回归数据进行预测（2个输出变量）
智能超参数优化：使用SSA算法优化TCN的卷积核数量、大小、丢弃率和TCN层数
对比分析：比较优化前后TCN模型的预测精度（RMSE、R²、MAE）
可解释性分析：计算SHAP值分析特征重要性
新数据预测：训练完成后可对新数据进行预测
逻辑关联流程
数据导入 → 归一化 → 划分训练/测试集 → 优化TCN超参数 → 训练优化后TCN → 预测结果 → 与未优化TCN对比 → 指标计算与可视化 → SHAP分析 → 新数据预测
2.算法步骤详解
数据预处理
从Excel读取5个输入特征，2个输出目标
使用mapminmax归一化到[0,1]区间
可选择是否打乱样本顺序（80%训练，20%测试）
智能优化阶段
优化算法：SSA（麻雀优化算法）
优化变量：TCN的卷积核数量、大小、丢弃率和TCN层数
目标函数：验证集上的RMSE误差
混沌映射：支持9种混沌映射初始化（默认tent映射）
TCN模型构建
训练配置
评估与对比
对比模型：相同数据下的未优化TCN
评估指标：RMSE、R²、MAE
可视化：
迭代曲线
雷达图对比
预测值对比曲线
误差百分比图
回归拟合图
可解释性分析
计算SHAP值分析各输入特征对输出的贡献度
应用阶段
加载新数据并进行预测
结果保存到Excel
3.运行环境要求
软件：MATLAB2020b（需要深度学习工具箱）
数据文件：
回归数据.xlsx
2025-12-01
五种智能优化算法优化BP神经网络多输入多输出回归预测对比（GWO、SAO、PSO、GA、DBO五种算法）MATLAB完整代码和数据
五种智能优化算法优化BP神经网络多输入多输出回归预测对比（GWO、SAO、PSO、GA、DBO五种算法）MATLAB完整代码和数据
MATLAB 代码实现了一个多算法优化BP神经网络的回归预测模型，主要功能是对多输出数据集进行预测，并比较不同优化算法的性能。
1.主要功能
多算法优化BP神经网络：使用GWO、SAO、PSO、GA、DBO五种优化算法分别优化BP网络的权重和阈值
多输出回归预测：支持多个输出变量的预测任务
性能比较：全面比较不同算法在训练集和测试集上的预测性能
2.核心特点
模块化设计：通过循环结构统一处理不同算法
全面评估：使用4种评估指标从不同角度衡量预测性能
丰富可视化：提供多种图形对比不同算法的表现
参数灵活性：可调整网络结构、训练参数和优化算法参数
2025-11-30
PSO-BiLSTM回归+SHAP分析+多输出+新数据预测！Matlab完整代码和数据
经典粒子群优化算法PSO-BiLSTM回归+SHAP分析+多输出+新数据预测！Matlab代码实现，主要用于多输入多输出的回归预测任务。以下是详细分析：
主要功能
• 智能优化BiLSTM超参数：使用PSO算法优化BiLSTM的隐藏层神经元数和初始学习率
• 多输出回归预测：支持多个输出变量的同时预测
• 模型性能对比：比较优化前后BiLSTM模型的预测精度
• 可视化分析：提供丰富的图表展示预测结果和性能指标
• 特征重要性分析：计算SHAP值分析特征贡献度
算法步骤
数据预处理 → 2. PSO超参数优化 → 3. BiLSTM模型训练 →
预测与反归一化 → 5. 性能评估 → 6. 可视化展示
技术路线
核心算法组合：
• PSO（粒子群优化）：超参数寻优
• BiLSTM（双向长短期记忆网络）：序列数据建模
• 混沌映射：PSO初始化增强（Tent、Chebyshev等9种映射）
数据处理：
• Min-Max归一化（0-1范围）
• 训练集/测试集划分（80%/20%）
• 数据打乱选项
2025-11-23
PSO-GRU回归+SHAP分析+多输出+新数据预测！Matlab完整代码和数据
经典粒子群优化算法PSO-GRU回归+SHAP分析+多输出+新数据预测！Matlab代码实现，主要用于多输入多输出的回归预测任务。以下是详细分析：
主要功能
• 智能优化GRU超参数：使用PSO算法优化GRU的隐藏层神经元数和初始学习率
• 多输出回归预测：支持多个输出变量的同时预测
• 模型性能对比：比较优化前后GRU模型的预测精度
• 可视化分析：提供丰富的图表展示预测结果和性能指标
• 特征重要性分析：计算SHAP值分析特征贡献度
算法步骤
数据预处理 → 2. PSO超参数优化 → 3. GRU模型训练 →
预测与反归一化 → 5. 性能评估 → 6. 可视化展示
技术路线
核心算法组合：
• PSO（粒子群优化）：超参数寻优
• GRU（门控循环单元）：序列数据建模
• 混沌映射：PSO初始化增强（Tent、Chebyshev等9种映射）
数据处理：
• Min-Max归一化（0-1范围）
• 训练集/测试集划分（80%/20%）
• 数据打乱选项
2025-11-23
PSO-XGBoost回归预测+特征贡献SHAP分析+新数据预测，Matlab完整代码和数据
基于MATLAB的XGBoost回归预测+SHAP分析+新数据预测，主要功能包括：
• 智能优化XGBoost超参数：使用PSO算法优化树的数量和最大深度
• 模型性能对比：比较优化前后XGBoost的性能差异
• 特征重要性分析：通过SHAP值解释模型预测
• 多维度可视化：提供雷达图、拟合图、误差分析等丰富图表
• 新数据预测：支持对新输入数据进行预测
PSO优化：
使用PSO算法寻找最优参数组合。粒子群算法(PSO)属于群智能算法的一种，是通过模拟鸟群捕食行为设计的。
软件要求：
• MATLAB2020B（主要运行环境）
2025-11-19
PSO-LSTM回归+SHAP分析+多输出+新数据预测！Matlab完整代码和数据
经典粒子群优化算法PSO-LSTM回归+SHAP分析+多输出+新数据预测！Matlab代码实现，主要用于多输入多输出的回归预测任务。以下是详细分析：
1.主要功能
智能优化LSTM超参数：使用PSO算法优化LSTM的隐藏层神经元数和初始学习率
多输出回归预测：支持多个输出变量的同时预测
模型性能对比：比较优化前后LSTM模型的预测精度
可视化分析：提供丰富的图表展示预测结果和性能指标
特征重要性分析：计算SHAP值分析特征贡献度
2.核心算法组合：
PSO（粒子群优化）：超参数寻优
LSTM（长短期记忆网络）：序列数据建模
混沌映射：PSO初始化增强（Tent、Chebyshev等9种映射）
3.运行环境
平台：MATLAB2020b及以上
2025-11-19
CPO-XGBoost回归预测+特征贡献SHAP分析+新数据预测，Matlab完整代码和数据
基于MATLAB的XGBoost回归预测+SHAP分析+新数据预测，主要功能包括：
• 智能优化XGBoost超参数：使用CPO算法优化树的数量和最大深度
• 模型性能对比：比较优化前后XGBoost的性能差异
• 特征重要性分析：通过SHAP值解释模型预测
• 多维度可视化：提供雷达图、拟合图、误差分析等丰富图表
• 新数据预测：支持对新输入数据进行预测
CPO优化：
使用CPO算法寻找最优参数组合。冠豪猪优化器(Crested Porcupine Optimizer, CPO)是一种新型的元启发式算法（智能优化算法），该成果由Abdel-Basset等人于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上。
软件要求：
• MATLAB2020B（主要运行环境）
2025-11-13
NGO-VMD北方苍鹰算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB完整代码和数据
NGO-VMD北方苍鹰算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB完整代码和数据
优化层：NGO算法自适应寻找VMD最优参数
分解层：VMD将信号分解为多个本征模态函数(IMF)
筛选层：基于皮尔逊相关系数筛选有效分量
降噪层：小波阈值处理噪声分量
重构层：信号恢复与质量评估
该代码特别适用于非平稳、非线性信号的精细化分析和特征提取，在工程诊断和科学研究中具有广泛的应用价值。
2025-11-13
KOA-XGBoost回归预测+特征贡献SHAP分析+新数据预测，Matlab完整代码和数据
1. 代码主要功能
MATLAB2020B（主要运行环境）
这是一个基于MATLAB的KOA-XGBoost回归+SHAP分析+新数据预测，主要功能包括：
智能优化XGBoost超参数：使用KOA算法优化树的数量和最大深度
模型性能对比：比较优化前后XGBoost的性能差异
特征重要性分析：通过SHAP值解释模型预测
多维度可视化：提供雷达图、拟合图、误差分析等丰富图表
新数据预测：支持对新输入数据进行预测
2. 算法步骤
主流程：
数据预处理：归一化、训练测试集划分
超参数优化：使用KOA算法寻找最优参数组合
模型训练：用优化参数训练XGBoost模型
预测与评估：计算各项性能指标
特征解释：计算SHAP值分析特征重要性
结果可视化：生成多种对比图表
开普勒优化算法Kepler Optimization Algorithm，KOA是一种基于物理学的元启发式算法，它受到开普勒行星运动定律的启发，可以预测行星在任何给定时间的位置和速度。在KOA中，每个行星及其位置都是一个候选解，它在优化过程中随机更新，相对于迄今为止最好的解(Sun)。KOA允许对搜索空间进行更有效的探索和利用，因为候选解(行星)在不同时间表现出与太阳不同的情况。2023年发表在Knowledge-Based Systems。
2025-11-12
NRBO-XGBoost回归预测+特征贡献SHAP分析+新数据预测，Matlab完整代码和数据
1. 代码主要功能
这是一个基于MATLAB的XGBoost回归预测与优化系统，主要功能包括：
智能优化XGBoost超参数：使用NRBO算法优化树的数量和最大深度
模型性能对比：比较优化前后XGBoost的性能差异
特征重要性分析：通过SHAP值解释模型预测
多维度可视化：提供雷达图、拟合图、误差分析等丰富图表
新数据预测：支持对新输入数据进行预测
2. 算法步骤
主流程：
数据预处理：归一化、训练测试集划分
超参数优化：使用NRBO算法寻找最优参数组合
模型训练：用优化参数训练XGBoost模型
预测与评估：计算各项性能指标
特征解释：计算SHAP值分析特征重要性
结果可视化：生成多种对比图表
SHAP值计算：
对每个样本和特征，计算所有特征子集的边际贡献
基于Shapley值公式加权平均
生成蜂群图和重要性条形图
2025-11-11
RBF神经网络分类预测+特征贡献SHAP分析，Matlab完整代码和数据
代码主要功能
RBF径向基神经网络分类预测+特征贡献SHAP分析+特征依赖图！机器学习可解释分析，Matlab代码实现，该MATLAB代码实现了一个基于RBF径向基神经网络的分类模型，并集成了SHAP可解释性分析框架。主要功能包括：
1. 数据预处理：数据打乱、分层划分训练/测试集、归一化处理
2. 神经网络建模：构建RBF径向基神经网络分类模型
3. 模型评估：计算分类准确率、绘制预测结果对比图、生成混淆矩阵
4. 可解释性分析：计算SHAP值、绘制特征重要性图、依赖关系图等可解释性图表
2025-11-09
GRNN广义回归神经网络分类预测+特征贡献SHAP分析，Matlab完整代码和数据
GRNN广义回归神经网络分类预测+特征贡献SHAP分析，Matlab完整代码和数据
代码主要功能
GRNN广义回归神经网络分类预测+特征贡献SHAP分析+特征依赖图！机器学习可解释分析，Matlab代码实现，该MATLAB代码实现了一个基于GRNN广义回归神经网络的分类模型，并集成了SHAP可解释性分析框架。主要功能包括：
1. 数据预处理：数据打乱、分层划分训练/测试集、归一化处理
2. 神经网络建模：构建GRNN广义回归神经网络分类模型
3. 模型评估：计算分类准确率、绘制预测结果对比图、生成混淆矩阵
4. 可解释性分析：计算SHAP值、绘制特征重要性图、依赖关系图等可解释性图表
2025-11-09
SVM-Adaboost支持向量机结合Adaboost故障诊断（Matlab完整源码和数据）
1.SVM-Adaboost支持向量机结合Adaboost故障诊断（Matlab完整源码和数据）
2.西储大学轴承故障诊断数据集，数据已经处理好；
3.滚动轴承作为机械设备中的核心部件，其运行状态直接影响整个系统的性能与可靠性。
4.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信。
2025-11-07
RF-Adaboost随机森林结合Adaboost故障诊断（Matlab完整源码和数据）
1.RF-Adaboost随机森林结合Adaboost故障诊断（Matlab完整源码和数据）
2.西储大学轴承故障诊断数据集，数据已经处理好；
3.滚动轴承作为机械设备中的核心部件，其运行状态直接影响整个系统的性能与可靠性。
4.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信。
2025-11-07
ELM-Adaboost极限学习机结合Adaboost故障诊断（Matlab完整源码和数据）
1.ELM-Adaboost故障诊断（Matlab完整源码和数据）
2.西储大学轴承故障诊断数据集，数据已经处理好；
3.滚动轴承作为机械设备中的核心部件，其运行状态直接影响整个系统的性能与可靠性。
4.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信。
2025-11-07
SVM支持向量机分类预测+SHAP分析+特征依赖图，Matlab完整代码和数据
代码功能分析，运行环境Matlab2020b及以上
SVM支持向量机分类预测+特征贡献SHAP分析+特征依赖图！机器学习可解释分析，Matlab代码实现
数据预处理与SVM建模：
1. 数据准备
清空环境变量、关闭图窗
从Excel导入数据集（数据集.xlsx）
分析数据维度（类别数/特征数/样本数）
随机打乱数据集（可选）
2. 分层划分数据集
按类别分层抽样（确保训练/测试集的类别分布一致）
70%训练集 + 30%测试集
3. 数据预处理
特征归一化：mapminmax函数归一化至[0,1]区间
数据转置（适配SVM输入格式）
4. SVM建模与评估
使用RBF核函数（-t 2）
参数设置：惩罚因子c=10，核参数g=0.05
训练模型：svmtrain() （LIBSVM工具箱）
预测与评估：计算训练/测试集准确率
可视化：预测结果对比图 + 混淆矩阵
SHAP可解释性：
1. SHAP值计算
使用测试集样本计算SHAP值
参考值：训练集特征均值
核心函数：自定义Shapley值计算
2. 可视化解释
摘要图：特征重要性 + 特征值与SHAP值关系
条形图：特征重要性排名
依赖图：单个特征值与SHAP值关系
2025-11-07
BP神经网络分类预测+特征贡献SHAP分析+特征依赖图，Matlab完整代码和数据
BP神经网络分类预测+特征贡献SHAP分析+特征依赖图，Matlab完整代码和数据
代码主要功能
BP神经网络分类预测+特征贡献SHAP分析+特征依赖图！机器学习可解释分析，Matlab代码实现，该MATLAB代码实现了一个基于BP神经网络（贝叶斯正则化）的分类模型，并集成了SHAP可解释性分析框架。主要功能包括：
1. 数据预处理：数据打乱、分层划分训练/测试集、归一化处理
2. 神经网络建模：构建带贝叶斯正则化的BP分类模型
3. 模型评估：计算分类准确率、绘制预测结果对比图、生成混淆矩阵
4. 可解释性分析：计算SHAP值、绘制特征重要性图、依赖关系图等可解释性图表
算法步骤
1. 数据准备阶段
导入Excel数据集（最后一列为类别标签）
分析数据维度（特征数/类别数/样本数）
随机打乱数据集
按类别分层抽样（70%训练集，30%测试集）
2. 神经网络建模
数据归一化（mapminmax）
标签向量化（ind2vec）
创建网络：单隐藏层15节点（newff）
设置贝叶斯正则化训练（trainbr）
参数配置：100轮次/1e-6目标误差/0.01学习率
3. 模型验证
• 训练集&测试集预测（sim）
• 结果向量转索引（vec2ind）
• 计算分类准确率
• 绘制预测结果对比曲线
• 生成混淆矩阵（confusionchart）
4. SHAP可解释性分析
• 选择测试样本（默认全量）
• 计算参考值（训练集均值）
• 逐样本计算SHAP值（shapley_1）
• 可视化分析：
• SHAP摘要图（特征贡献分布）
• 特征重要性条形图（平均|SHAP|）
• 特征依赖图（特征值-SHAP值关系）
2025-11-07
BO-BiLSTM贝叶斯优化双向长短期记忆神经网络回归预测（多输入单输出）MATLAB完整代码和数据
一、主要功能
加载并预处理数据集（归一化、训练/测试集划分）。
使用贝叶斯优化自动搜索BiLSTM关键超参数（神经元数量、学习率、批次大小）。
构建并训练BiLSTM神经网络进行回归预测。
评估模型性能，输出多项评价指标（RMSE、MAE、MSE、MAPE、R²）。
可视化预测结果与真实值的对比图及散点图。
二、算法步骤
数据准备：加载数据、打乱顺序、划分训练/测试集。
数据归一化：将输入输出映射到[0,1]区间。
贝叶斯优化设置：定义参数搜索空间和优化目标（损失函数）。
参数调优：运行贝叶斯优化，获取最优超参数。
BiLSTM建模：根据最优参数构建网络结构。
模型训练：使用训练集训练BiLSTM。
预测与评估：在训练集和测试集上进行预测，反归一化后计算多项评价指标。
可视化输出：绘制预测对比图与散点图。
2026-01-07
BO-LSTM贝叶斯优化长短期记忆神经网络回归预测（多输入单输出）MATLAB完整代码和数据
一、主要功能
加载并预处理数据集（归一化、训练/测试集划分）。
使用贝叶斯优化自动搜索LSTM关键超参数（神经元数量、学习率、批次大小）。
构建并训练LSTM神经网络进行回归预测。
评估模型性能，输出多项评价指标（RMSE、MAE、MSE、MAPE、R²）。
可视化预测结果与真实值的对比图及散点图。
二、算法步骤
数据准备：加载数据、打乱顺序、划分训练/测试集。
数据归一化：将输入输出映射到[0,1]区间。
贝叶斯优化设置：定义参数搜索空间和优化目标（损失函数）。
参数调优：运行贝叶斯优化，获取最优超参数。
LSTM建模：根据最优参数构建网络结构。
模型训练：使用训练集训练LSTM。
预测与评估：在训练集和测试集上进行预测，反归一化后计算多项评价指标。
可视化输出：绘制预测对比图与散点图。
2026-01-07
TCN-BiGRU回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB完整代码和数据
TCN-BiGRU回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB完整代码和数据
一、研究背景
该模型结合了时序卷积网络（TCN） 与双向门控循环单元（BiGRU），适用于处理具有时序依赖性或序列结构的多输入多输出回归问题。TCN 能捕捉长期依赖与局部特征，BiGRU 能学习序列的双向上下文信息。SHAP 值分析用于解释模型预测结果，增强模型的可解释性。
二、主要功能
多输出回归预测：输入5个特征，输出2个目标变量。
混合时序建模：TCN 提取时序特征，BiGRU 捕捉序列依赖。
模型可解释性分析：使用 SHAP 值评估特征重要性。
完整训练与评估流程：包括数据预处理、模型训练、预测、评估与可视化。
新数据预测：支持对新输入数据进行预测并输出结果。
三、算法步骤
数据导入与预处理：读取 Excel 数据，归一化处理。
数据集划分：按比例划分训练集与测试集，可选是否打乱样本。
模型构建：构建 TCN + BiGRU 的混合网络结构。
模型训练：使用 Adam 优化器进行训练，支持学习率衰减。
模型预测与反归一化：对训练集和测试集进行预测，并将结果还原为原始尺度。
性能评估：计算 RMSE、MAE、R² 等指标。
可视化分析：包括预测对比图、误差分布图、散点图等。
SHAP 值计算：分析特征对预测结果的影响。
新数据预测：读取新数据并进行预测，输出结果至 Excel。
运行环境
平台：MATLAB（建议 R2020b 及以上）
2025-12-28
基于PSO-GA混合算法的施工进度计划多目标优化，MATLAB完整源码和数据
基于PSO-GA混合算法的施工进度计划多目标优化，MATLAB完整源码和数据
该代码实现了一个基于PSO-GA混合算法的铁路工程施工进度计划多目标优化，旨在通过智能优化算法调整施工活动中各作业组数和开工时间，以最小化总成本（考虑资金时间价值）并实现资源均衡，同时满足工期约束和资源限制。
二、算法步骤
初始化参数与数据
设定施工活动数量、种群规模、迭代次数、PSO参数、GA参数等。
加载施工活动数据（工程量、工效、作业组数范围、资源需求等）。
定义施工活动间的逻辑关系（FS：Finish-Start）。
初始方案评估
计算初始施工方案的工期、成本、资源使用情况及其变异系数。
PSO-GA混合优化主循环
PSO部分：动态更新惯性因子和学习因子，更新粒子位置与速度。
GA部分：每5代执行一次锦标赛选择、两点交叉、非均匀变异。
精英保留策略：保留10%的最优个体，替换最差个体。
约束处理：通过惩罚项处理工期超限、资源超限等约束。
结果输出与可视化
输出优化后的施工计划（作业组数、开工时间、工期）。
绘制收敛曲线、对比图（工期、成本、资源均衡、甘特图等）。
2025-12-25
最小二乘支持向量机（LSSVM）结合遗传算法（GA）解决单目标优化问题，MATLAB完整代码和数据
最小二乘支持向量机（LSSVM）结合遗传算法（GA）解决单目标优化问题，MATLAB完整代码和数据
一、主要功能
main1_galssvm_model.m：
使用遗传算法优化 LSSVM 的超参数（惩罚参数 gam 和核参数 sig），建立代理模型（回归模型），并对训练集和测试集进行预测与评估。
main2_GA_optimize.m：
在已建立的 LSSVM 模型基础上，使用遗传算法寻找使目标函数值最大化的输入变量组合（多变量优化问题）。
二、算法步骤
第一部分（建模）：
数据导入与预处理（打乱、归一化、划分训练/测试集）；
设置 GA 参数（种群规模、迭代次数、变量范围）；
使用 GA 优化 LSSVM 超参数；
训练优化后的 LSSVM 模型；
预测并评估模型（计算 RMSE、R²、MAE、MBE 等指标）。
第二部分（优化）：
初始化 GA 参数（种群、交叉/变异概率、变量边界）；
生成初始种群并计算适应度（调用已训练的 LSSVM 模型）；
迭代执行选择、交叉、变异操作；
记录并输出最佳适应度对应的变量组合。
2025-12-25
基于Stacking集成学习算法的数据回归预测（基学习器SVM和BP，元学习器RF），MATLAB完整代码和数据
基于Stacking集成学习算法的数据回归预测（基学习器SVM和BP，元学习器RF），MATLAB完整代码和数据
代码实现了一个完整的Stacking集成回归预测系统，包括：
数据预处理：读取、标准化、划分数据集；
基学习器训练：
SVM（支持向量机）回归模型，采用网格搜索优化参数；
BP神经网络回归模型；
元学习器训练：使用随机森林（RF）对基学习器的输出进行融合；
模型评估：计算R²、MAE、MSE、RMSE、RPD等指标；
可视化：包括SVM参数搜索的3D图、预测对比图、残差分析、性能对比柱状图等；
模型保存：保存训练好的模型和预测结果。
2025-12-22
MATLAB完整代码，无人机三维路径规划，基于杜鹃鲶鱼优化算法CCO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
MATLAB完整代码，无人机三维路径规划，基于杜鹃鲶鱼优化算法CCO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
无人机三维路径规划，基于杜鹃鲶鱼优化算法CCO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！ Matlab 代码分享，不容错过！ 算法威力惊人，同时规划六个无人机！无人机集群的目标函数即为总成本，总成本为6个无人机（UAV）成本之和，每个UAV的总成本由四部分构成(路径成本、威胁成本、高度成本和转角成本)。
杜鹃鲶鱼优化算法(Cuckoo catfish optimizer, CCO)是一种新颖的元启发式算法，其灵感来源于杜鹃鲶鱼的搜索、捕食和寄生行为，于2025年7月发表在SCI一区期刊《Artificial Intelligence Review》上！
运行环境要求
软件环境：MATLAB R2023b
2025-12-21
GA-XGBoost回归+SHAP分析+新数据预测，Matlab完整代码和数据
GA-XGBoost回归+SHAP分析+新数据预测，Matlab完整代码和数据
1.代码主要功能
基于MATLAB的XGBoost回归预测+SHAP分析+新数据预测，主要功能包括：
• 智能优化XGBoost超参数：使用GA算法优化树的数量和最大深度
• 模型性能对比：比较优化前后XGBoost的性能差异
• 特征重要性分析：通过SHAP值解释模型预测
• 多维度可视化：提供雷达图、拟合图、误差分析等丰富图表
• 新数据预测：支持对新输入数据进行预测
2. 算法步骤
主流程：
数据预处理：归一化、训练测试集划分
超参数优化：使用GA算法寻找最优参数组合
模型训练：用优化参数训练XGBoost模型
预测与评估：计算各项性能指标
特征解释：计算SHAP值分析特征重要性
结果可视化：生成多种对比图表
SHAP值计算：
对每个样本和特征，计算所有特征子集的边际贡献
基于Shapley值公式加权平均
生成蜂群图和重要性条形图
3.技术路线
数据预处理 → 智能优化(GA) → XGBoost建模 → SHAP解释 → 性能对比
使用GA算法寻找最优参数组合。遗传算法(GA)属于群智能算法的一种。遗传算法是受自然进化理论启发的一系列搜索算法。通过模仿自然选择和繁殖的过程，遗传算法可以为涉及搜索，优化和学习的各种问题提供高质量的解决方案。同时，它们类似于自然进化，因此可以克服传统搜索和优化算法遇到的一些障碍，尤其是对于具有大量参数和复杂数学表示形式的问题。
3.运行环境
软件要求：
• MATLAB2020B（主要运行环境）
2025-12-20
GA-RF遗传算法优化随机森林回归+SHAP分析+优化前后对比+新数据预测，MATLAB完整代码和数据
GA-RF遗传算法优化随机森林回归+SHAP分析+优化前后对比+新数据预测，MATLAB完整代码和数据
一、主要功能
数据预处理：归一化、划分训练集/测试集。
参数优化：使用GA优化随机森林的：
• 决策树数量
• 最小叶子节点数
• 最大分裂次数
模型训练与预测：构建优化与未优化随机森林模型。
性能评估：计算RMSE、R²、MAE等指标。
可视化分析：
• 迭代曲线
• 雷达图对比
• 预测结果图、残差图、拟合图
• 特征重要性排序
• SHAP值分析
新数据预测：支持输入新数据进行预测并保存结果。
二、算法步骤
导入数据并归一化。
划分训练集和测试集（可选是否打乱）。
使用GA优化随机森林超参数。
训练优化后的随机森林模型。
预测并反归一化得到实际值。
计算评估指标并绘制多种对比图。
进行新数据预测并输出结果。
计算SHAP值进行特征解释。
2025-12-20
MATLAB基于Stacking集成学习的数据回归预测（4种基学习器PLS、SVM、决策、KNN，多种元学习器比选）完整代码
一、主要功能
数据预处理：读取Excel数据、标准化处理、数据集划分
多模型训练：训练4种基学习器（PLS、SVM、决策树、KNN）
Stacking集成：构建元特征、训练元学习器
模型评估：多维度性能比较、提升分析
可视化分析：多种图形展示预测效果
模型保存：保存最佳集成模型
二、参数设定
基学习器参数：
PLS：成分数1-15，5折交叉验证
SVM：C=[0.01,0.1,1,10,100,1000]，gamma=[0.001,0.01,0.1,1,10]
决策树：MinParentSize=10，MaxNumSplits=100
KNN：NumNeighbors=5，距离度量=欧式
元学习器参数：
随机森林：100棵树，MinLeafSize=10
梯度提升：100轮，学习率0.1
岭回归：Lambda=0.1
三、运行环境
软件：MATLAB（需要Statistics and Machine Learning Toolbox）
数据格式：Excel文件（最后一列为目标变量）
建议配置：MATLAB R2020b或更高版本
2025-12-18
基于Stacking集成学习算法的数据回归预测（4种基学习器PLS、SVM、BP、RF，元学习器LSBoost）MATLAB完整代码和数据
基于Stacking集成学习算法的数据回归预测（4种基学习器PLS、SVM、BP、RF，元学习器LSBoost）MATLAB完整代码和数据
一、研究背景
该代码面向回归预测问题，采用Stacking（堆叠集成学习） 方法，通过结合多个基学习器的预测结果，训练一个元学习器以提升模型泛化能力。Stacking能有效减少单一模型的偏差与方差，适用于复杂、高维、非线性的回归任务。
二、主要功能
多模型集成回归预测：使用PLS、SVM、BP神经网络、随机森林作为基学习器，LSBoost作为元学习器。
自动化模型训练与评估：包括数据预处理、模型训练、超参数优化、性能评估与可视化。
结果保存与报告：将预测结果与评估指标保存为Excel文件，便于后续分析。
三、算法步骤
数据读取与预处理：读取Excel数据，标准化特征与标签，划分为训练集与测试集。
基学习器训练：
PLS（偏最小二乘回归）
SVM（支持向量机回归，带网格搜索优化）
BP神经网络
随机森林
元特征构建：使用基学习器的预测结果作为新特征，构建第二层训练集。
元学习器训练：使用LSBoost对元特征进行训练。
模型评估：计算RMSE、MAE、R²、MAPE等指标。
可视化与保存：生成预测对比图、残差图、性能柱状图等，并保存结果。
四、技术要点
集成策略：Stacking（两层结构）
评估方法：交叉验证、网格搜索、多指标评估
Matlab版本：建议R2020b及以上
必要工具箱：
Statistics and Machine Learning Toolbox
Neural Network Toolbox
数据格式：Excel文件（最后一列为目标变量）
文件结构：代码与数据文件需置于同一目录或修改路径
2025-12-17
基于Stacking集成学习算法的数据回归预测（基学习器PLS和SVM，元学习器RF），MATLAB完整代码和数据
基于Stacking集成学习算法的数据回归预测（基学习器PLS和SVM，元学习器RF），MATLAB代码
一、研究背景
该研究属于机器学习集成学习领域，针对单一回归模型可能存在的预测偏差或过拟合问题，采用Stacking集成方法，结合不同基学习器的优势，提升回归预测的稳定性。适用于需要预测的复杂数据场景。
二、主要功能
使用Stacking集成学习框架进行数据回归预测。
基学习器包括：
偏最小二乘回归（PLS）
支持向量机回归（SVR），带网格搜索调参
元学习器采用随机森林回归（RF）。
包含完整的数据预处理、模型训练、性能评估与可视化流程。
三、算法步骤
数据准备：读取数据、归一化、划分训练集与测试集（7:3）。
基学习器训练：
PLS：通过交叉验证选择最佳成分数。
SVM：网格搜索优化C和gamma参数，并绘制3D可视化图。
元特征构建：使用基学习器的预测结果作为新特征。
元学习器训练：使用随机森林对元特征进行回归。
模型评估：对比PLS、SVM和Stacking-RF在训练集和测试集上的性能。
可视化分析：包括预测图、残差图、特征重要性、OOB误差、模型对比等。
四、运行环境
平台：MATLAB
依赖工具箱：Statistics and Machine Learning Toolbox
数据格式：Excel文件，最后一列为目标变量
2025-12-17
DBO-RBF多变量回归预测 优化宽度+中心值+连接权值 （多输入单输出）Matlab完整代码和数据
基于蜣螂优化算法（DBO）优化径向基函数（RBF）神经网络的回归预测模型Matlab代码：
一、主要功能
模型构建：使用RBF神经网络进行回归预测。
参数优化：利用蜣螂优化算法（DBO）优化RBF网络的中心向量、宽度参数和权重参数。
预测评估：在训练集和测试集上进行预测，并计算多种性能指标（如RMSE、R²、MAE、MAPE等）。
可视化分析：生成多张图表，包括适应度曲线、回归图、误差分布图、预测对比图等，便于模型性能分析。
二、算法步骤
数据准备：
导入数据集（Excel格式）。
随机打乱数据，划分训练集（70%）和测试集（30%）。
对输入和输出数据进行归一化处理（0-1范围）。
模型参数初始化：
设置DBO参数（种群大小、迭代次数、边界等）。
定义RBF网络结构（输入层、隐藏层、输出层节点数）。
优化训练：
使用DBO优化RBF网络的参数（中心C、宽度delta、权重w），最小化均方误差（MSE）。
绘制适应度曲线，展示优化过程。
预测与评估：
使用优化后的RBF网络对训练集和测试集进行预测。
反归一化预测结果。
计算并展示多种性能指标（RMSE、R²、MAE、MAPE、MBE、RPD等）。
可视化输出：
生成回归图、误差直方图、预测对比图、误差曲线图、相对误差图、线性拟合图等。
输出综合评估。
三、运行环境
编程语言：MATLAB2020
2025-12-16
SSA-RF麻雀算法优化随机森林回归+SHAP分析+优化前后对比+新数据预测，MATLAB完整代码和数据
一、主要功能
数据预处理：归一化、划分训练集/测试集。
参数优化：使用SSA优化随机森林的：
决策树数量
最小叶子节点数
最大分裂次数
模型训练与预测：构建优化与未优化随机森林模型。
性能评估：计算RMSE、R²、MAE等指标。
可视化分析：
迭代曲线
雷达图对比
预测结果图、残差图、拟合图
特征重要性排序
SHAP值分析
新数据预测：支持输入新数据进行预测并保存结果。
二、算法步骤
导入数据并归一化。
划分训练集和测试集（可选是否打乱）。
使用SSA优化随机森林超参数。
训练优化后的随机森林模型。
预测并反归一化得到实际值。
计算评估指标并绘制多种对比图。
进行新数据预测并输出结果。
计算SHAP值进行特征解释。
三、运行环境
平台：MATLAB（建议R2020a及以上）
2025-12-16
PSO-RBF多变量回归预测 优化宽度+中心值+连接权值 （多输入单输出）Matlab完整代码和数据
一、主要功能
模型构建：使用RBF神经网络进行回归预测。
参数优化：利用粒子群优化算法（PSO）优化RBF网络的中心向量、宽度参数和权重参数。
预测评估：在训练集和测试集上进行预测，并计算多种性能指标（如RMSE、R²、MAE、MAPE等）。
可视化分析：生成多张图表，包括适应度曲线、回归图、误差分布图、预测对比图等，便于模型性能分析。
二、算法步骤
数据准备：
导入数据集（Excel格式）。
随机打乱数据，划分训练集（70%）和测试集（30%）。
对输入和输出数据进行归一化处理（0-1范围）。
模型参数初始化：
设置PSO参数（种群大小、迭代次数、边界等）。
定义RBF网络结构（输入层、隐藏层、输出层节点数）。
优化训练：
使用PSO优化RBF网络的参数（中心C、宽度delta、权重w），最小化均方误差（MSE）。
绘制适应度曲线，展示优化过程。
预测与评估：
使用优化后的RBF网络对训练集和测试集进行预测。
反归一化预测结果。
计算并展示多种性能指标（RMSE、R²、MAE、MAPE、MBE、RPD等）。
可视化输出：
生成回归图、误差直方图、预测对比图、误差曲线图、相对误差图、线性拟合图等。
输出综合评估表格和。
运行环境
编程语言：MATLAB2020
必需文件：
数据集.xlsx（输入数据文件）
运行流程：运行 main.m 即可自动执行所有步骤。
2025-12-15
WOA-RBF多变量回归预测 优化宽度+中心值+连接权值 （多输入单输出）Matlab完整代码和数据
一、主要功能
模型构建：使用RBF神经网络进行回归预测。
参数优化：利用鲸鱼优化算法（WOA）优化RBF网络的中心向量、宽度参数和权重参数。
预测评估：在训练集和测试集上进行预测，并计算多种性能指标（如RMSE、R²、MAE、MAPE等）。
可视化分析：生成多张图表，包括适应度曲线、回归图、误差分布图、预测对比图等，便于模型性能分析。
二、算法步骤
数据准备：
导入数据集（Excel格式）。
随机打乱数据，划分训练集（70%）和测试集（30%）。
对输入和输出数据进行归一化处理（0-1范围）。
模型参数初始化：
设置WOA参数（种群大小、迭代次数、边界等）。
定义RBF网络结构（输入层、隐藏层、输出层节点数）。
优化训练：
使用WOA优化RBF网络的参数（中心C、宽度delta、权重w），最小化均方误差（MSE）。
绘制适应度曲线，展示优化过程。
预测与评估：
使用优化后的RBF网络对训练集和测试集进行预测。
反归一化预测结果。
计算并展示多种性能指标（RMSE、R²、MAE、MAPE、MBE、RPD等）。
可视化输出：
生成回归图、误差直方图、预测对比图、误差曲线图、相对误差图、线性拟合图等。
输出综合评估表格和。
运行环境
编程语言：MATLAB2020
必需文件：
数据集.xlsx（输入数据文件）
运行流程：运行 main.m 即可自动执行所有步骤。
2025-12-14
TCN-BiLSTM回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB完整代码和数据
一、主要功能
TCN-BiLSTM混合模型构建与训练：
结合时序卷积网络（TCN）和双向长短期记忆网络（BiLSTM），用于处理时序或多特征回归问题。
支持多输出（多个目标变量）预测。
SHAP特征重要性分析：
使用SHAP值分析输入特征对输出的贡献度。
模型性能评估与可视化：
提供RMSE、MAE、R²等评估指标。
生成多种可视化图表，包括预测对比图、误差分布图、散点图、累计误差曲线等。
新数据预测：
使用训练好的模型对新输入数据进行预测，并保存结果。
二、算法步骤
数据准备：
读取Excel数据，划分特征（X）和目标（Y）。
归一化处理（mapminmax）。
随机或顺序划分训练集和测试集。
模型构建：
构建TCN层（包含膨胀卷积、层归一化、Dropout、残差连接）。
连接BiLSTM层、全连接层和回归层。
模型训练：
使用Adam优化器，设置学习率衰减。
监控训练过程中的RMSE和Loss变化。
预测与评估：
对训练集和测试集进行预测。
计算RMSE、MAE、R²等指标。
绘制多种图表进行可视化分析。
SHAP分析：
调用shapley_function计算测试集样本的SHAP值。
新数据预测：
读取新数据，归一化后输入模型预测，输出结果到Excel。
三、运行环境
软件环境：MATLAB（需安装Deep Learning Toolbox）
数据格式：Excel文件（回归数据.xlsx、新的多输入.xlsx）
依赖函数：
shapley_function（自定义SHAP计算函数）
newpre（自定义新数据预测函数）
2025-12-12
TCN-LSTM回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB完整代码和数据
一、主要功能
TCN-LSTM混合模型构建与训练：
结合时序卷积网络（TCN）和长短期记忆网络（LSTM），用于处理时序或多特征回归问题。
支持多输出（多个目标变量）预测。
SHAP特征重要性分析：
使用SHAP值分析输入特征对输出的贡献度。
模型性能评估与可视化：
提供RMSE、MAE、R²等评估指标。
生成多种可视化图表，包括预测对比图、误差分布图、散点图、累计误差曲线等。
新数据预测：
使用训练好的模型对新输入数据进行预测，并保存结果。
二、算法步骤
数据准备：
读取Excel数据，划分特征（X）和目标（Y）。
归一化处理（mapminmax）。
随机或顺序划分训练集和测试集。
模型构建：
构建TCN层（包含膨胀卷积、层归一化、Dropout、残差连接）。
连接LSTM层、全连接层和回归层。
模型训练：
使用Adam优化器，设置学习率衰减。
监控训练过程中的RMSE和Loss变化。
预测与评估：
对训练集和测试集进行预测。
计算RMSE、MAE、R²等指标。
绘制多种图表进行可视化分析。
SHAP分析：
调用shapley_function计算测试集样本的SHAP值。
新数据预测：
读取新数据，归一化后输入模型预测，输出结果到Excel。
三、运行环境
软件环境：MATLAB（需安装Deep Learning Toolbox）
数据格式：Excel文件（回归数据.xlsx、新的多输入.xlsx）
依赖函数：
shapley_function（自定义SHAP计算函数）
newpre（自定义新数据预测函数）
2025-12-11
十种智能优化算法优化RBF神经网络多输入多输出回归MATLAB完整代码和数据
主要功能
多输出RBF神经网络建模：构建能够同时预测多个输出变量的RBF神经网络。
多种优化算法对比：使用多种智能优化算法自动寻找最优的RBF扩展参数spread。
多维度可视化分析：对每个输出维度分别进行预测结果对比、误差分析和散点图展示。
算法步骤
1. 数据准备阶段
导入Excel数据（6个输入，多个输出）
随机划分训练集（80%）和测试集（20%）
数据归一化处理（输入输出分别归一化）
2. 基准模型建立
使用固定spread=100建立标准RBF网络作为基准
在训练集和测试集上进行预测
计算误差指标
主要功能
多输出RBF神经网络建模：构建能够同时预测多个输出变量的RBF神经网络。
多种优化算法对比：使用多种智能优化算法自动寻找最优的RBF扩展参数spread。
多维度可视化分析：对每个输出维度分别进行预测结果对比、误差分析和散点图展示。
算法步骤
1. 数据准备阶段
导入Excel数据（6个输入，多个输出）
随机划分训练集（80%）和测试集（20%）
数据归一化处理（输入输出分别归一化）
2. 基准模型建立
使用固定spread=100建立标准RBF网络作为基准
在训练集和测试集上进行预测
计算误差指标
十种智能优化算法分别是：
GWO：灰狼算法
HBA：蜜獾算法
IAO：改进天鹰优化算法，改进①：Tent混沌映射种群初始化，改进②：自适应权重
MFO：飞蛾扑火算法
MPA：海洋捕食者算法
NGO：北方苍鹰算法
OOA：鱼鹰优化算法
RTH：红尾鹰算法
WOA：鲸鱼算法
ZOA：斑马算法
2025-12-09
SSA-VMD麻雀搜索算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB完整代码和数据
SSA-VMD麻雀搜索算法优化变分模态分解+皮尔逊系数+小波阈值降噪+信号重构，MATLAB完整代码和数据
该代码是一个完整的信号处理与分析系统，结合了麻雀搜索算法（SSA）、变分模态分解（VMD）优化、小波降噪等多种技术，主要用于信号分解、降噪。以下是详细说明：
一、主要功能
数据导入与预处理：读取Excel数据，设置采样频率。
VMD参数优化：使用麻雀搜索算法（SSA）自动优化VMD的两个关键参数（模态数K、惩罚因子α）。
信号分解与可视化：对原始信号进行VMD分解，绘制IMF分量图、频谱图、Hilbert边际谱、3D视图等。
信号降噪：基于IMF分量与原始信号的相关系数，筛选噪声分量并进行小波阈值降噪（软/硬阈值）。
信号重构与评估：重构降噪后的信号，与原始信号对比，评估降噪效果。
二、算法步骤
初始化与数据导入
SSA优化VMD参数
VMD分解信号
绘制分解结果与频谱分析
计算IMF与原始信号的相关系数
设定阈值筛选噪声分量
小波阈值降噪处理
信号重构与对比
保存结果与可视化
2025-12-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人