简介这份资源面向需要做多输入单输出回归预测的科研人员与工程学习者提供麻雀搜索算法SSA优化CNN-GRU网络的Matlab完整源码。核心思路是用SSA自动寻优学习率、隐含层节点数与正则化参数省去人工调参的反复试错可直接用于时序预测、负荷预测等场景。压缩包共5个文件含4个m脚本与1个xlsx数据表脚本分别承担数据初始化、SSA寻优、CNN-GRU建模与主程序调度数据表用于示例输入输出整体约37KB结构紧凑便于替换自有数据。代码给出R2、MAE、MSE、RMSE、MAPE等评价指标方便横向对比模型效果。目前已有243人学习下载适合具备一定Matlab基础、希望快速复现智能优化与深度学习组合方案的中高级读者参考。1. 麻雀算法优化 CNN-GRU 做多输入单输出回归这套 SSA-CNN-GRU 到底解决什么问题多输入单输出回归是工业现场最常见、也最容易被做废的一类建模任务。比如用温度、压力、流量、转速四个传感器通道去预测一个出口含水率输入维度不同、量纲不同、采样频率还不一致输出只有一个连续值。传统做法是人工特征工程加 BP 网络但 BP 对时序依赖几乎无感遇到带滞后、带累积效应的工况就崩。CNN-GRU 的组合思路是让卷积层先在各输入通道上抽局部变化模式再由 GRU 记住跨时间的状态最后接全连接回归头输出单值。问题在于CNN 的卷积核数量、GRU 的隐藏单元数、学习率、L2 正则系数这些超参数一旦靠手调复现性极差换一批数据就得重来。麻雀搜索算法Sparrow Search AlgorithmSSA就是来接管这件事的把超参数组合当成麻雀个体的位置用发现者-加入者-警戒者的角色分工去迭代搜索目标函数直接用验证集上的 RMSE 或 MAE。这套 SSA-CNN-GRU 适合手里有几百到几千条多通道时序样本、又不想在调参上耗掉两周的工程师。Matlab 完整源码的价值在于它把数据组织、网络搭建、SSA 寻优、训练与预测串成一条可跑的链路而不是丢给你一个孤立的算法函数。2. SSA-CNN-GRU 的网络结构与寻优逻辑先搞清楚谁在优化谁2.1 CNN 做特征提取、GRU 做时序记忆的分工边界多输入单输出回归里输入通常组织成三维张量样本数 × 时间步 × 通道数。CNN 在这一层的作用不是图像识别而是沿时间轴做一维卷积把每个通道上相邻时间点的局部波动压成特征图。常见做法是两层一维卷积第一层核宽 3 到 5第二层核宽 3每层后面接 ReLU 和最大池化。卷积核数量决定了能抽多少种局部模式这个数太小欠拟合太大直接过拟合所以它是 SSA 要搜的关键维度之一。GRU 接在卷积输出之后输入被 reshape 成 时间步 × 特征维。GRU 相比 LSTM 少一个门参数更少在小样本回归上收敛更稳。隐藏单元数决定记忆容量也是 SSA 的搜索变量。最后接一个全连接层加回归输出损失函数用 MSE评估用 RMSE 和 MAE。整个结构里CNN 负责“看局部”GRU 负责“记过程”回归头负责“出数值”三者缺一不可。如果只用 GRU局部突变容易被平滑掉如果只用 CNN跨时间的累积效应抓不住。2.2 麻雀搜索算法为什么适合调这几个超参数SSA 的核心是把种群分成发现者、加入者和警戒者。发现者负责全局探索加入者跟随发现者但保留竞争警戒者在外围随机扰动防止早熟。相比粒子群和遗传算法SSA 在低维连续优化上收敛快、参数少特别适合 CNN-GRU 这种超参数维度在 4 到 6 之间的场景。我一般把搜索变量定为卷积核数量、GRU 隐藏单元数、初始学习率、L2 正则系数、批大小。每个变量的上下界要按经验卡死比如卷积核数量取 8 到 64 的整数学习率取 1e-4 到 1e-2 的对数尺度。目标函数是 SSA 和网络之间的接口。常见做法是每来一组超参数就用训练集训练网络若干轮在验证集上算 RMSE把 RMSE 作为适应度。这里有个代价问题——每组超参数都完整训练一次SSA 迭代 20 次、种群 10 个就是 200 次训练。所以必须限制训练轮数比如先用 30 轮粗筛最后用最优超参数跑 150 轮精训。这个两阶段策略是让整套流程在普通工作站上能跑完的关键。2.3 用 Matlab 搭出可训练的网络骨架Matlab 从 R2018b 之后推荐用 dlnetwork 或 trainNetwork 搭网络。下面这段是网络定义的核心部分输入层接受 时间步 × 通道数 的序列卷积层用 convolution1dLayer。% 输入: numChannels 通道数, numTimeSteps 时间步 % 超参数: numFilters 卷积核数, numHidden GRU隐藏单元, dropoutRate layers [ sequenceInputLayer(numChannels, Name, input) convolution1dLayer(3, numFilters, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling1dLayer(2, Stride, 2, Name, pool1) convolution1dLayer(3, numFilters*2, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) gruLayer(numHidden, OutputMode, last, Name, gru) dropoutLayer(dropoutRate, Name, drop) fullyConnectedLayer(1, Name, fc) regressionLayer(Name, output) ];逻辑说明sequenceInputLayer 的通道数必须和数据组织后的维度一致否则训练直接报维度错。convolution1dLayer 的第二个参数是核数量Padding 设为 same 保证时间步不缩水。maxPooling1dLayer 把时间步减半降低 GRU 的计算量。gruLayer 的 OutputMode 设为 last表示只取最后一个时间步的隐藏状态这正是单输出回归需要的。fullyConnectedLayer(1) 是回归头输出一个标量。regressionLayer 用 MSE 做损失。参数说明numFilters 建议从 16 起步SSA 搜索范围 8 到 64numHidden 从 32 起步搜索范围 16 到 128dropoutRate 固定 0.2 到 0.3不放进 SSA因为它对 RMSE 的影响不如前两个显著放进去只会拉长搜索时间。批大小建议 16 或 32样本少于 500 时用 16。2.4 数据组织多输入单输出回归的矩阵怎么摆Matlab 的序列网络要求输入是元胞数组每个元素是 通道数 × 时间步 的矩阵标签是 1 × 样本数 的向量。假设原始数据是 N 行、M 列前 M-1 列是输入通道最后一列是输出。滑动窗口切分是必须的窗口长度决定时间步。% data: N x M, 前M-1列为输入, 最后一列为输出 winLen 10; % 时间步长度 numChannels size(data, 2) - 1; X {}; Y []; for i 1 : size(data, 1) - winLen seq data(i : iwinLen-1, 1:numChannels); % 通道数 x 时间步 X{end1} seq; Y(end1) data(iwinLen, end); end Y Y; % 1 x 样本数逻辑说明循环从第 i 行取 winLen 行输入转置成 通道数 × 时间步这是 sequenceInputLayer 要求的格式。标签取窗口后一行的输出列。注意循环上界是 N - winLen否则最后一段会越界。参数说明winLen 是这套流程里最容易被忽视却最致命的参数。太小GRU 记不住滞后太大样本数骤减且引入无关历史。经验做法是先画输入和输出的互相关函数看峰值滞后多少步winLen 取滞后步数的 2 到 3 倍。如果数据本身没有明显滞后winLen 取 5 到 15 即可。归一化用 mapminmax 按列做训练集和测试集必须用同一套参数否则预测值量纲全错。3. 把 SSA 接进训练循环适应度函数、种群更新与两阶段训练3.1 适应度函数怎么写才不拖垮整条流程适应度函数是 SSA 和 CNN-GRU 的耦合点写不好要么报错要么慢到无法接受。核心原则每次调用只训练有限轮数返回验证集 RMSE并且把网络训练过程中的随机种子固定保证同一组超参数的结果可复现。function fitness objFunSSA(x, XTrain, YTrain, XVal, YVal, numChannels) numFilters round(x(1)); numHidden round(x(2)); lr x(3); l2 x(4); % 搭建网络 layers buildCNNGRU(numChannels, numFilters, numHidden, 0.2); % 训练选项: 限制轮数, 固定种子 options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, 30, ... MiniBatchSize, 16, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 10, ... Verbose, false, ... ExecutionEnvironment, auto); rng(42); % 固定随机种子 net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XVal); fitness sqrt(mean((YPred - YVal).^2)); end逻辑说明x 是 SSA 传入的位置向量四个分量分别对应卷积核数、GRU 隐藏单元、学习率、L2 系数。buildCNNGRU 是上一节网络定义的封装函数。MaxEpochs 设为 30 是粗筛阶段的妥协ValidationFrequency 设为 10 保证每 10 轮记录一次验证误差。rng(42) 放在 trainNetwork 之前确保同一组超参数每次训练结果一致否则 SSA 的适应度会抖动搜索方向就乱了。参数说明L2Regularization 在 trainingOptions 里直接生效不需要手动加到损失里。ExecutionEnvironment 设为 auto有 GPU 自动用 GPU没有就 CPU。如果验证集样本少于 50ValidationFrequency 可以设为 5否则验证曲线太稀疏早停判断不准。3.2 SSA 主循环发现者、加入者、警戒者的更新代码SSA 的种群更新逻辑不复杂但边界处理和越界回弹必须写对否则搜索会跑到无效区域。% 参数设置 pop 10; % 种群规模 maxIter 20; % 最大迭代 dim 4; % 优化维度 lb [8, 16, 1e-4, 1e-5]; % 下界 ub [64, 128, 1e-2, 1e-2]; % 上界 % 初始化 X repmat(lb, pop, 1) rand(pop, dim) .* repmat(ub-lb, pop, 1); fit zeros(pop, 1); for i 1 : pop fit(i) objFunSSA(X(i,:), XTrain, YTrain, XVal, YVal, numChannels); end [bestFit, idx] min(fit); bestX X(idx, :); % 主循环 for t 1 : maxIter [~, sortIdx] sort(fit); X X(sortIdx, :); fit fit(sortIdx); PD round(pop * 0.2); % 发现者数量 SD round(pop * 0.1); % 警戒者数量 R2 rand(); for i 1 : PD if R2 0.8 X(i,:) X(i,:) .* exp(-i / (rand() * maxIter)); else X(i,:) X(i,:) randn(1, dim); end end for i PD1 : pop if i pop/2 X(i,:) randn(1, dim) .* exp((X(end,:) - X(i,:)) / i^2); else X(i,:) X(1,:) abs(X(i,:) - X(1,:)) .* randn(1, dim); end end for i 1 : SD if fit(i) bestFit X(i,:) bestX randn(1, dim) .* abs(X(i,:) - bestX); else X(i,:) X(i,:) (2*rand()-1) .* abs(X(i,:) - bestX) / (fit(i)-bestFit1e-10); end end % 越界回弹 X max(X, repmat(lb, pop, 1)); X min(X, repmat(ub, pop, 1)); % 重新评估 for i 1 : pop fit(i) objFunSSA(X(i,:), XTrain, YTrain, XVal, YVal, numChannels); end [curBest, idx] min(fit); if curBest bestFit bestFit curBest; bestX X(idx, :); end fprintf(Iter %d, Best RMSE %.4f\n, t, bestFit); end逻辑说明初始化用均匀随机在上下界之间撒点。发现者更新分两种情况R2 小于 0.8 时按指数衰减向全局靠拢否则随机扰动。加入者按排名分两路排名靠后的用高斯扰动重置靠前的向最优个体靠拢。警戒者按适应度是否优于当前最优分两种更新。越界回弹用 max 和 min 直接截断比反射边界更简单且不会引入额外随机性。参数说明pop 取 10 到 20maxIter 取 20 到 30再大收益递减。PD 取种群的 20%SD 取 10%这是原论文的推荐比例。lb 和 ub 必须按实际物理意义设学习率用对数尺度时可以在 objFunSSA 里对 x(3) 取 10 的幂但更简单的做法是直接线性搜索 1e-4 到 1e-2因为 Adam 对这个范围不敏感。3.3 两阶段训练粗筛定超参数精训出最终模型SSA 跑完后拿到 bestX这时候不要直接用它跑几百轮就完事。粗筛阶段 MaxEpochs 只有 30网络还没收敛到最优bestX 只是相对好的方向。精训阶段把 MaxEpochs 提到 150 到 200加 EarlyStopping 防止过拟合。% 精训 numFilters round(bestX(1)); numHidden round(bestX(2)); lr bestX(3); l2 bestX(4); layers buildCNNGRU(numChannels, numFilters, numHidden, 0.2); options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, 200, ... MiniBatchSize, 16, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 20, ... ValidationPatience, 15, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 50, ... Verbose, true, ... Plots, training-progress); net trainNetwork(XTrain, YTrain, layers, options);逻辑说明ValidationPatience 设为 15验证损失连续 15 次不降就停这是防过拟合的后悔药。LearnRateSchedule 用 piecewise每 50 轮学习率乘 0.5帮助后期精细收敛。Plots 打开训练进度窗口能直观看到训练和验证曲线是否分叉。参数说明MaxEpochs 不是越大越好样本少于 1000 时 200 轮足够再多就是过拟合。ValidationFrequency 设为 20配合 Patience 15实际检查窗口是 300 轮等效对大多数回归任务够用。如果验证曲线震荡厉害把 MiniBatchSize 降到 8或者把 L2 系数在精训时手动放大 2 倍。4. 避坑与排查SSA-CNN-GRU 最容易翻车的五个地方4.1 现象训练损失正常下降验证 RMSE 却一路飙升原因这是典型的过拟合但在这个组合里往往不是网络太大而是滑动窗口切分时训练集和验证集有重叠。如果按时间顺序切分窗口跨越了切分点验证集的信息泄漏进了训练集。解决切分必须按时间点切不能按窗口切。先确定切分索引再在各自区间内做滑动窗口。比如 70% 训练、15% 验证、15% 测试切分点之前的样本才能进训练窗口切分点之后的样本才能进验证窗口中间留一个 winLen 的缓冲带丢弃。4.2 现象SSA 迭代几次后 bestFit 不再变化种群多样性消失原因发现者比例过高或者警戒者更新公式里的分母 fit(i)-bestFit 在接近最优时趋近于零导致位置更新爆炸后被边界截断种群全挤在边界上。解决把 PD 从 20% 降到 10% 到 15%警戒者更新公式分母加一个 1e-10 的平滑项。另外在每轮迭代后检查种群标准差如果小于某个阈值随机重置 20% 的个体到搜索空间内。这个操作在原论文里没有但在实际代码里是保多样性的关键。4.3 现象trainNetwork 报错“Invalid training data. The output size of the last layer does not match the response size”原因回归头 fullyConnectedLayer(1) 输出 1 维但标签 Y 的维度不对。Matlab 要求回归标签是 1 × 样本数 的行向量如果 Y 是列向量或者元胞数组就会报这个错。解决在数据组织阶段确认 Y Y并且 Y 是 double 类型的数值向量不是元胞。如果输出是多步预测fullyConnectedLayer 的参数要改成对应步数但本文是单输出保持 1。4.4 现象SSA 跑完的最优超参数精训时验证损失比粗筛还差原因粗筛阶段 MaxEpochs 只有 30网络欠拟合验证 RMSE 偏高但相对排序可信。精训阶段学习率如果直接用粗筛的最优值可能因为训练轮数增加导致学习率偏大后期震荡。解决精训时把学习率在 bestX(3) 基础上乘 0.5并开启 piecewise 衰减。另外粗筛和精训的验证集必须完全一致否则比较没有意义。如果精训后验证损失仍然更差说明粗筛的 30 轮评估噪声太大把粗筛 MaxEpochs 提到 50 再跑一次 SSA。4.5 现象预测结果整体偏移一个常数RMSE 很大但形状对原因归一化参数不一致。训练集用 mapminmax 得到的 ps 结构体在预测测试集时必须用同一个 ps 做 mapminmax(apply, ...)如果重新对测试集做一次 mapminmax量纲就全变了。解决把训练集的归一化参数 ps_X 和 ps_Y 保存下来测试集和验证集都用 apply 模式。反归一化时用 mapminmax(reverse, YPred, ps_Y)。这个坑我踩过不止一次血泪经验就是归一化参数必须跟着模型走不能跟着数据走。5. 让 SSA-CNN-GRU 真正可复用的三个进阶技巧5.1 用多步滚动验证替代单次验证集划分单次划分验证集在样本少于 500 时波动极大SSA 可能搜到一组只对当前验证集好的超参数。更稳的做法是滚动验证把训练集按时间分成 K 折每折用前一段训练、后一段验证适应度取 K 次 RMSE 的均值。代价是训练次数翻 K 倍所以 K 取 3 就够配合粗筛 30 轮总训练次数从 200 次涨到 600 次普通 CPU 工作站跑一晚上能出结果。K 3; foldSize floor(size(XTrain, 2) / K); fitnessSum 0; for k 1 : K valIdx (k-1)*foldSize1 : k*foldSize; trIdx setdiff(1:size(XTrain,2), valIdx); % 用 trIdx 和 valIdx 分别取子集训练和验证 % ... 训练并计算 RMSE fitnessSum fitnessSum rmseK; end fitness fitnessSum / K;逻辑说明每折的验证集是连续时间段训练集是其余时间段。这样评估的是模型在多个时间片段上的泛化能力比单次划分可靠得多。参数说明K 取 3 到 5样本少于 300 时取 3多于 1000 时取 5。foldSize 必须大于 winLen否则验证集样本不够。5.2 把 SSA 的搜索日志画出来判断是否早熟SSA 跑完后不要只看 bestFit把每轮的最优适应度和种群平均适应度画出来。如果最优适应度在第 5 轮就平了平均适应度也贴着最优走说明早熟需要增大种群或降低发现者比例。如果最优适应度还在降但平均适应度震荡说明搜索正常。这个图是判断 SSA 有没有真正干活的唯一依据比看最终 RMSE 有用得多。figure; plot(1:maxIter, bestFitHistory, r-o, LineWidth, 1.5); hold on; plot(1:maxIter, meanFitHistory, b--, LineWidth, 1.2); xlabel(迭代次数); ylabel(适应度 (RMSE)); legend(最优适应度, 种群平均适应度); grid on;逻辑说明bestFitHistory 和 meanFitHistory 在 SSA 主循环里每轮记录。两条曲线的间距反映种群多样性间距缩小到接近零就是早熟信号。参数说明如果早熟优先把 pop 从 10 提到 20其次把 PD 从 0.2 降到 0.1最后考虑增大 maxIter。不要一上来就调 maxIter那只是延长了无效搜索。5.3 模型保存与预测脚本分离避免每次预测都重训训练完的 net 和归一化参数 ps_X、ps_Y 必须一起保存预测脚本只加载不训练。Matlab 里用 save 存成 mat 文件预测时 load 进来直接 predict。% 训练完成后保存 save(ssa_cnn_gru_model.mat, net, ps_X, ps_Y, winLen, numChannels); % 预测脚本 load(ssa_cnn_gru_model.mat); XNew {}; % 按同样 winLen 和 numChannels 组织新数据 XNewNorm cellfun((x) mapminmax(apply, x, ps_X), XNew, UniformOutput, false); YPredNorm predict(net, XNewNorm); YPred mapminmax(reverse, YPredNorm, ps_Y);逻辑说明保存时把 winLen 和 numChannels 一起存预测脚本才能按同样规则组织数据。mapminmax(apply) 对元胞数组用 cellfun 逐元素处理保证每个样本用同一套归一化参数。参数说明如果新数据的通道顺序和训练时不一致预测结果会完全错误所以通道顺序必须在数据组织阶段就固定下来并在保存时记录通道名。我自己的习惯是每次跑完 SSA 先把搜索日志图存下来再对比粗筛和精训的验证曲线最后才看测试集 RMSE。测试集只用一次看多了就会忍不住去调超参数那就等于把测试集变成了验证集整套评估就废了。这套 SSA-CNN-GRU 的代码结构不复杂难的是数据切分和归一化这两件“脏活”把它们做对后面的调参才有意义。希望帮到你。本文还有配套的精品资源点击获取