基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等 标记注释清楚，可直接换数据运行。 代码实现训练与测试精度分析。

灰狼算法(GWO)优化卷积神经网络CNN分类预测，GWO-CNN分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图

卷积神经网络CNN代码解析-matlab 一、Test_example_CNN: Test_example_CNN: 1设置CNN的基本参数规格，如卷积、降采样层的数量，卷积核的大小、降采样的降幅 2 cnnsetup函数 初始化卷积核、偏置等 3 cnntrain函数 训练cnn，把训练数据分成batch，然后调用 3.1 cnnff 完成训练的前向过程， 3.2 cnnbp计算并传递神经网络的error，并计算梯度（权重的修改量） 3.3 cnnapplygrads 把计算出来的梯度加到原始模型上去 4 cnntest 函数，测试当前模型的准确率 该模型采用的数据为mnist_uint8.mat， 含有70000个手写数字样本其中60000作为训练样本，10000作为测试样本。

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

1.输入多个特征，输出单个变量； 2.考虑历史特征的影响，多变量时间序列预测； 4.excel数据，方便替换； 5.运行环境Matlab2018b及以上； 6.输出R2、MAE、MBE等评价指标。

包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式 包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)数据回归预测，多变量回归预测模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

MATLAB实现WOA-CNN-BiGRU鲸鱼算法优化卷积双向门控循环单元数据分类预测 1.Matlab实现WOA-CNN-BiGRU多特征分类预测，多特征输入模型，运行环境Matlab2020b及以上； 2.基于鲸鱼算法(WOA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)分类预测，优化参数为，学习率，隐含层节点，正则化参数； 3.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用； 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图； 4.data为数据集，输入12个特征，分四类；运行主程序即可，其余为函数文件，无需运行.

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。