当前位置：首页 > news >正文

DOA-CNN-BiLSTM分类预测+SHAP分析+特征依赖图！深度学习可解释分析，Matlab代码实现

news 2026/5/12 11:16:07

该代码实现了一个基于梦境优化算法（DOA）优化卷积神经网络与双向长短期记忆网络（CNN-BiLSTM）的分类模型，并引入SHAP方法进行模型可解释性分析。

一、研究背景

随着深度学习在分类任务中的广泛应用，CNN和BiLSTM因其强大的特征提取和序列建模能力而备受关注。然而，模型的超参数（如学习率、隐藏层节点数、正则化系数）对性能影响显著，传统手动调参效率低下。启发式优化算法（如梦境优化算法）可在搜索空间内自动寻找最优超参数组合，提升模型精度与泛化能力。同时，SHAP值分析为模型决策提供了可解释性，有助于理解特征对预测结果的贡献。

二、主要功能

数据预处理：读取Excel数据，按类别分层划分训练集与测试集，并进行归一化与格式转换。
超参数优化：利用DOA优化CNN-BiLSTM的三个关键超参数（初始学习率、BiLSTM隐藏层节点数、L2正则化系数）。
模型构建与训练：搭建包含卷积层、BiLSTM层、全连接层及分类层的网络，并在训练过程中采用学习率衰减策略。
预测与评估：对训练集和测试集进行预测，计算分类准确率，绘制混淆矩阵。
可解释性分析：基于SHAP值计算各特征对预测结果的贡献，绘制摘要图、特征重要性条形图和特征依赖图。

三、算法步骤

数据加载与分层划分：读取Excel数据，按最后一列的类别标签分层随机抽取70%作为训练集，30%作为测试集。
数据归一化与格式转换：将输入特征归一化到[0,1]，并重塑为适合序列输入的格式（[num_dim, 1, 1, M]）。
DOA超参数优化：
- 定义适应度函数。
- 设置优化参数维度、边界及种群大小、迭代次数。
- 运行DOA（DOA.m）获得最优超参数（学习率、隐藏层节点数、L2系数），并将隐藏层节点数取整。
构建CNN-BiLSTM网络：
- 输入层 → 序列折叠层 → 卷积层（3×1卷积核）→ ReLU → 卷积层（3×1卷积核）→ ReLU → 序列反折叠层 → 展平层 → BiLSTM层 → 全连接层 → softmax → 分类层。
训练网络：使用Adam优化器，最大迭代500轮，初始学习率与L2正则化系数采用DOA优化值。
预测与性能评价：对训练集和测试集进行预测，将概率输出转换为类别标签，计算准确率并绘制对比图与混淆矩阵。
SHAP分析：选取测试集样本，以训练集均值作为参考值，调用shapley_1函数计算每个样本各特征的SHAP值，并可视化。

四、技术路线

数据采集 → 分层抽样划分 → 归一化 → 数据重塑 → DOA优化超参数 → 构建CNN-BiLSTM网络 → 训练 → 预测 → 混淆矩阵与准确率 → SHAP分析 → 结果可视化。

五、公式原理

卷积层：对输入序列进行局部特征提取，公式为y=f(W∗x+b)y = f(W * x + b)y=f(W∗x+b)，其中WWW为卷积核，∗*∗表示卷积操作，fff为ReLU激活函数。
BiLSTM：由前向LSTM和后向LSTM组成，输出为两个方向隐藏状态的拼接，公式为：
h⃗t=LSTMfwd(xt,h⃗t−1),h←t=LSTMbwd(xt,h←t+1),ht=[h⃗t;h←t] \vec{h}_t = \text{LSTM}_{\text{fwd}}(x_t, \vec{h}_{t-1}), \quad \overleftarrow{h}_t = \text{LSTM}_{\text{bwd}}(x_t, \overleftarrow{h}_{t+1}), \quad h_t = [\vec{h}_t; \overleftarrow{h}_t]ht=LSTMfwd(xt,ht−1),ht=LSTMbwd(xt,ht+1),ht=[ht;ht]
分类层：全连接层后接softmax函数，输出类别概率：
p(y=k∣x)=exp⁡(zk)∑j=1Kexp⁡(zj) p(y = k | x) = \frac{\exp(z_k)}{\sum_{j=1}^{K} \exp(z_j)}p(y=k∣x)=∑j=1Kexp(zj)exp(zk)
损失函数采用交叉熵。
DOA（梦境优化算法）：模拟人类梦境生成与筛选过程，通过迭代更新种群中的“梦境”位置（即候选解），寻找最优解。其具体公式取决于DOA.m的实现，通常包括随机扰动、记忆保留等机制。
SHAP值：基于博弈论中的Shapley值，衡量每个特征对预测结果的边际贡献，计算公式涉及所有特征子集的组合。

六、参数设定

DOA参数：种群大小10，最大迭代5，优化维度3。
超参数搜索范围：
- 学习率：([10^{-3}, 10^{-2}])
- BiLSTM隐藏层节点数：([10, 30])（优化后取整）
- L2正则化系数：([10^{-4}, 10^{-1}])
网络训练参数：
- 最大迭代次数：500
- 学习率下降因子：0.1，下降周期：400
- 批处理：未显式设置（默认使用整个训练集）
- 优化器：Adam
SHAP分析参数：选取测试集全部样本（N）进行分析，参考值为训练集各特征均值。