目录

原理简介

案例数据及数据替换方法

结果展示

完整代码获取

---

传统的机器学习创新方法无非是优化算法+模型组合，但是，如果你不会改进算法，或者使用比较新颖的模型，这种方法已经比较难发论文了。

同时，这段时间后台也经常有小伙伴问我，在数据生成部分有没有一些比较好的创新方法。但是，目前大多数数据生成的方法都是基于Python，无法很好地和自己的优化算法结合。而且，Python环境配置较为混乱，不适合新手小白。

因此，今天给大家带来一期基于Matlab实现扩散模型数据生成的方法。与之前的代码一样，都是一键运行即可生成，同时，也附赠LSSVM模型作为回归预测模型，方便小伙伴们查看误差指标。

这样一来，结合扩散模型-优化算法-预测模型三阶段的预测范式，不仅可以让审稿人眼前一亮，也能大大提高Accept的概率，更不会有创新点不足的烦恼。

需要完整代码的朋友可直接拉到最后~

您只需做的工作：替换Excel数据，一键运行main文件！非常适合新手小白！

原理简介

首先用通俗易懂的语言来介绍下扩散模型。

扩散模型是一种数据生成技术,它模拟自然界中常见的扩散过程来合成新数据。就像一滴墨水落在水中会慢慢扩散开来一样,扩散模型也是从简单的噪声信号出发,逐步添加细节和模式,最终生成复杂的新数据。研究人员发现,把这个过程倒过来运行，先由复杂数据开始，逐步移除细节，最后留下简单随机噪声，反过来再运行一次，就可以重新生成新的数据。

从写论文的角度来讲，扩散概率模型(DDPM)的核心工作机制包含两个过程：前向加噪过程和反向去噪过程，如下图所示。图中，蓝色箭头表示前向过程(q)，红色箭头表示反向过程(p)。前向过程为扩散过程，通过逐步向原始数据中添加高斯噪声，将原始数据样本转化为纯噪声。反向过程的目标是从噪声样本中逐步去除噪声,最终重建原始数据样本。前向过程是预定义的，反向过程则需要训练模型学习如何去除噪声。

如果想在论文里阐述这个模型，可以参考这篇文献：

[1]杨健一,张亦涵,汪华,等.基于生成式扩散模型的短期多步太阳辐照度预测[J].中国计量大学学报, 2025, 36(3):402-410.

案例数据及数据替换方法

与先前回归模型采用的数据集一样，本期依旧采用经典的回归预测数据集，也是为了方便大家替换自己的数据集，各个变量采用特征1、特征2…表示，无实际含义，最后一列即为输出。

更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可（特征数量不限），无需更改代码，非常方便！

结果展示

在这里，我们采用基于 DDPM 架构的数据增强方法，也就是在生成阶段，模型从标准高斯噪声采样，利用训练好的网络逐步去除噪声，最终恢复出具有原始数据统计特征的合成样本。在网络结构方面，采用一个包含 3个隐藏层的全连接神经网络，并引入 0.1 的 Dropout 以防止过拟合。

在参数设置方面，我们设定扩散过程为 1000 个时间步，采用10^-4到 0.02的线性噪声调度。最大迭代次数为 50，批量大小为 512。

同时，我们在模型最后采用LSSVM回归作为预测模型。废话不多说，看下效果：

首先是数据生成前后的直方图对比：

同时，为了更方便地查看数据生成前后的分布，我们利用t-SNE降维可视化查看数据生成前后的分布对比：

综上两张图可以看到，两个分布非常接近。当然，为了防止信息泄露，我们的数据生成肯定是针对训练集进行的，命令行窗口也会生成相关信息：

扩散模型的网络结构图：

接下来是预测模型的结果：

训练集和测试集预测效果图：

误差直方图：

3张（训练集、测试集、所有样本）线性拟合图：

回归拟合图：

运行完毕后，命令行窗口也会显示各个误差指标的结果，非常清晰：

另外，我们的程序文件夹内也非常清晰，您所需运行的文件只有main一个，非常方便！不信可以看下面截图！

以上所有图片，替换Excel后均可一键运行main生成，无需配置环境！比Python什么方便多了！非常适合新手小白！

完整代码获取

如果需要以上完整代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

扩散模型