3]高翱,李国玉,撖奥洋,周生奇,魏振,张智晟.基于Adam算法优化GRU神经网络的短期负荷预测模型[J].电子设计工程,2022,30(09):180-183+188.DOI:10.14022/j.issn1674-6236.2022.09.038.[4]姚程文,杨苹,刘泽健.基于CNN-GRU混合神经网络的负荷预测方法[J].电网技术,2020,44(09):3416-3424.DOI:10.13335/j.1000-3673.pst.2019.2058.部分理论来源于网络，如有侵权请联系删除。
基于贝叶斯算法(bayes)优化卷积
神经网络
-门控循环单元(
CNN
-
GRU
)时间序列预测，单列数据集,Matlab完整程序
评价指标包括：R2、MAE、MSE、RMSE等，
代码
质量极高，
方便学习和替换数据。
运行环境matlab2020及以上。
代码
地址：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/quantize/
python
/quantize_graph.py
curl http://download.tensorflow.org/models/image/imag...
Matlab
实现
基于BO-
CNN
-
GRU
贝叶斯优化卷积
神经网络
-门控循环单元时间序列预测（完整程序和数据）
基于贝叶斯算法(bayes)优化卷积
神经网络
-门控循环单元(
CNN
-
GRU
)时间序列预测，单列数据集
贝叶斯算法(bayes)优化学习率，隐藏层节点，正则化系数
评价指标包括：R2、MAE、MSE、RMSE等，
代码
质量极高，
方便学习和替换数据。
运行环境Matlab2020及以上。
基于卷积神经网路-门控循环单元结合SE注意力机制的数据回归预测
基于卷积神经网路-门控循环单元结合SE注意力机制的数据回归预测
基于卷积神经网路-门控循环单元结合SE注意力机制的数据回归预测
输入7个变量，输出一个特征。
基于卷积神经网路-门控循环单元结合注意力机制(
CNN
-
GRU
-SE
Attention
)的分类预测Matlab完整程序和数据
1.运行环境Matlab2020b及以上；
2.输入12个特征，输出分四类；
3.多输入单输出数据分类预测。
CNN
-
GRU
-
Attention
CNN
-
GRU
-SE
基于贝叶斯(bayes)优化卷积
神经网络
-门控循环单元(
CNN
-
GRU
)回归预测，BO-
CNN
-
GRU
/Bayes-
CNN
-
GRU
多输入单输出模型。
1.优化参数为：学习率，隐含层节点，正则化参数。
2.评价指标包括:R2、MAE、MSE、RMSE和MAPE等，方便学习和替换数据。
3.运行环境matlab2020b及以上。
解决：当要生成一个目标语言单词的时候，不光考虑前一个时刻的状态和已经生成的单词，还要考虑当前要生成的单词和源句子中的哪些单词更加相关，即更关注源句子中的哪些词，这种做法就叫做注意力机制（
Attention
）
Attention
Luong等人在2015年发布的Effective Approaches to
Attention
-bas.
