198种组合算法+优化CNN卷积神经网络+SHAP分析+新材料预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！

198种组合算法+优化CNN神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！

---

主要功能

1. 多输出回归预测：使用CNN网络对多变量回归数据进行预测（2个输出变量）
2. 智能超参数优化：使用算法优化CNN的隐藏层神经元数量和初始学习率
3. 对比分析：比较优化前后CNN模型的预测精度（RMSE、R²、MAE）
4. 可解释性分析：计算SHAP值分析特征重要性
5. 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 →优化超参数 → 训练优化后CNN →
预测结果 → 与未优化对比 → 指标计算与可视化 → SHAP分析 → 新数据预测

---

⚙️ 算法步骤详解

1. 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）

2. 智能优化阶段

• 优化算法：
• 优化变量：
  • 隐藏层神经元数量：2-20（整数）
  • 初始学习率：0.001-0.1
• 目标函数：在验证集上的RMSE误差
• 混沌映射：支持9种混沌映射初始化（默认tent映射）

3. CNN模型构建

序列输入层 → CNN层（优化后神经元数） → 池化层 → 全连接层 → 回归层

4. 训练配置

• 优化器：Adam
• 最大轮次：500
• 学习率调度：分段下降（200轮后×0.1）
• 执行环境：CPU（注释说明CPU更快）

5. 评估与对比

• 对比模型：相同数据下的未优化CNN
• 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

6. 可解释性分析

• 计算SHAP值分析各输入特征对输出的贡献度

7. 应用阶段

• 加载新数据并进行预测
• 结果保存到Excel

---

关键技术路线

1. 智能优化+CNN：优化超参数
2. 多输出回归：单模型同时预测多个目标变量
3. 混沌理论：使用混沌映射提升优化算法多样性
4. 模型可解释性：SHAP值分析特征重要性
5. 全面可视化：多种图形化结果展示

---

⚡ 重要参数设定

参数	设置值	说明
种群大小	10	算法种群数量
最大迭代	10	优化迭代次数
训练轮次	500	最大训练轮次
训练比例	80%	训练集占比
混沌映射	Tent映射	种群初始化方法

---

运行环境要求

• 软件：MATLAB2020（需要深度学习工具箱）
• 依赖工具箱：
  • OA_ToolBox\ - 智能优化算法工具箱
  • spider_plot\ - 雷达图绘制工具箱
• 数据文件：
  • 回归数据.xlsx - 训练数据
  • 新的多输入.xlsx - 预测数据

---

输出结果

1. 数值结果：优化前后各项指标对比表格
2. 图形结果：迭代曲线、雷达图、预测对比图、误差分析图等
3. 模型文件：训练好的BiLSTM网络
4. 预测结果：新数据的预测值保存为Excel文件

完整代码私信198种组合算法+优化CNN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，强烈安利，粉丝必备！

9种映射方法，种群初始值选择,改进智能算法
label=1 对应 tent 映射
label=2 对应 chebyshev 映射
label=3 对应 singer 映射
label=4 对应 logistic 映射
label=5 对应 sine 映射
label=6 对应 circle 映射
label=7 对应 立方映射
label=8 对应 Hénon 映射
label=9 对应广义Logistic映射

智能算法包括：
1、PSO 粒子群
2、SSA 麻雀
3、ZOA 斑马
4、WOA 鲸鱼群
5、WSO 白鲨
6、GWO 灰狼
7、GA 遗传算法
8、C_PSO 横向交叉粒子群
9、COA 小龙虾
10、DA 蜻蜓
11、IGWO 改进灰狼
12、SMA 黏菌
13、RIME 雾凇/霜冰
14、NRBO 牛顿-拉夫逊优化算法
15、CPO 冠豪猪
16、DBO 蜣螂
17、E-WOA 改进鲸鱼群
18、FSA 火焰鸟
19、GEO 金鹰
20、GoldSA 黄金正弦
21、LVY 常青藤
22、KOA 开普勒

目前有9*22=198种智能算法组合