目录

MATLAB实现基于WOA-Kmeans-Transformer-LSTM鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）和Transformer-LSTM组合模型进行多特征分类预测的详细项目实例... 2

项目背景介绍... 2

项目目标与意义... 3

提升多特征复杂数据的分类预测精度... 3

提供可迁移的智能优化模型设计范式... 4

降低模型设计与调参与实现的门槛与成本... 4

探索集成优化方法在现实场景中的工程可行性... 4

项目挑战及解决方案... 5

高维多特征与时序依赖带来的建模难度... 5

超参数空间巨大与全局优化困难... 5

MATLAB环境下自定义Transformer-LSTM与优化算法的集成实现难点... 6

项目模型架构... 7

整体框架的多层次集成结构... 7

K均值聚类在前端结构学习中的作用与原理... 7

Transformer模块的自注意力与位置编码原理... 8

LSTM模块的门控记忆机制与时序建模作用... 8

鲸鱼优化算法在超参数搜索与模型耦合中的原理... 9

项目模型描述及代码示例... 9

数据生成与预处理示例... 9

MATLAB实现基于WOA-Kmeans-Transformer-LSTM鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）和Transformer-LSTM组合模型进行多特征分类预测的详细项目实例

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人 

 或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

在复杂多源数据快速积累的场景中，传统的单一机器学习模型已经越来越难以满足高维多特征数据的分类预测需求。金融风控、设备健康监测、交通流量预测、环境污染预警等领域持续产生海量时序数据和结构化特征，这些数据不仅包含显著的时间依赖关系，还潜藏着丰富的类别结构和特征交互模式。单一的浅层模型往往只能利用其中一部分信息，导致预测精度和泛化能力不足，而单纯依赖深度学习模型又容易遭遇参数空间巨大、训练不稳定、对初始权值敏感等问题。为解决这些问题，需要构建一种既能挖掘数据内部结构，又能捕获时序依赖和全局特征交互关系，同时具备自动参数优化能力的综合模型架构。

K均值聚类在无监督学习中具有简洁高效的优势，能够在多维特征空间中快速识别数据的潜在类别结构。通过聚类预处理，可以减少类别混杂带来的决策边界模糊问题，为后续分类和预测提供更加清晰的样本分层。然而，K均值本身不能解决时间依赖问题，也无法主动增强特征序列中的长距离依赖关系。与此同时，Transformer结构以多头自注意力机制为核心，可以从全局角度建模特征间的相互关系，在处理高维时序和序列数据方面表现突出；LSTM网络在建模长期依赖的时间序列时仍然具有强大的记忆和门控机制优势，能够有效抑制梯度消失，并在特征演化过程建模方面具有良好表现。如果能将Transformer的全局感知能力与LSTM的顺序记忆能力有机结合，就能同时兼顾局部动态和长程依赖。

然而，深度模型的性能高度依赖于学习率、批量大小、网络层数、隐藏单元数、正则化强度等超参数的合理配置，以及网络权重初值的选择；采用人工经验或简单网格搜索往往效率低下，且容易停留在局部最优。鲸鱼优化算法在元启发式优化算法中具有结构简单、参数少、收敛能力较强的特点，特别适合在连续高维空间中进行超参数搜索。通过将鲸鱼优化算法与K均值聚类结合，能够在聚类初始化、聚类中心寻优上取得比随机初始化更稳定的效果；在模型训练方面，鲸鱼搜索出的超参数组合可以显著提升Transformer-LSTM组合模型的收敛速度和预测精度。

基于此，构建一个面向多特征分类预测的WOA-Kmeans-Transformer-LSTM综合模型具有重要价值。整个框架中，K均值负责从复杂数据中抽取较为稳定的聚类结构，帮助构造更合理的训练子集与类别边界；Transformer模块负责在样本特征序列上进行全局注意力建模，使模型能够自动学习特征之间的重要性关系；LSTM模块则在时间维度上进行记忆与更新，对历史信息进行压缩和提炼，从而形成更具判别性的时序表示；鲸鱼优化算法在外层对K均值初始中心、Transformer与LSTM结构超参数以及训练超参数进行整体联合优化，通过迭代搜索获得更加优的参数组合。最终构建出的模型能够在复杂多特征、多类别的实际应用场景中，表现出更好的泛化性能和鲁棒性。

此外，MATLAB R2025b提供了成熟的数值计算环境、信号处理工具箱与深度学习工具箱，结合自注意力层、位置编码层以及dlnetwork等基础设施，能够较为顺畅地搭建自定义Transformer-LSTM组合模型，并与自编的鲸鱼优化算法进行联动。通过在MATLAB环境中实现完整的WOA-Kmeans-Transformer-LSTM流程，可以方便地进行数据预处理、可视化、模型训练与测试、指标评估以及调参过程的集成，实现从数据导入到结果输出的全流程闭环。项目将以多特征时序分类任务为主线，构建可复用的工程化脚本，为后续在其他数据集和应用领域迁移提供基础模板。

在实际工程背景下，多传感器数据采集系统常常带来尺度不统一、噪声干扰显著、类别分布不均衡的问题。通过在模型前端引入K均值聚类，可以实现对特征空间的初步分层，让Transformer-LSTM模块分别在聚类子空间中建模，降低类别重叠度；同时，鲸鱼优化算法可以根据验证集性能自动调整K值、聚类距离度量权重、Transformer自注意力头数和隐藏维度以及LSTM层数与单元数，避免人工试错造成的大量时间浪费。在此基础上，还可以引入早停策略、多次随机重启以及交叉验证，进一步提升模型的稳定性和可靠性。整个项目旨在为多特征分类预测场景提供一套可落地、可扩展的智能建模方案，充分体现聚类、注意力机制、时序记忆和智能优化之间的协同效应。

项目目标与意义

提升多特征复杂数据的分类预测精度

在高维多特征场景中，单一模型往往难以充分利用数据中包含的结构信息和动态演化规律，常见问题包括特征冗余、类间边界模糊以及时间依赖被忽略等。通过将K均值聚类、Transformer和LSTM集成在一个统一框架中，项目目标之一是显著提升多特征复杂数据的分类预测精度。K均值聚类在前端对样本进行无监督分组，使得来自不同隐含类别的样本在后续监督学习阶段更容易被区分；Transformer模块利用多头自注意力机制对特征序列进行加权聚合，能够动态调整每个特征在不同时间步的权重，从而强化与类别判别最相关的维度；LSTM模块在时间维度上对历史观测进行记忆和门控，引入长期依赖信息。由鲸鱼优化算法在全局搜索层面对上述各个环节的关键超参数进行自动调整，使得模型能够在复杂的超参数空间中找到更优解。通过这种结构与参数的双重优化手段，可以在真实数据集上获得更低的分类错误率和更高的宏平均F1值，为高风险领域决策提供更可靠依据。

提供可迁移的智能优化模型设计范式

多特征分类预测任务在不同应用场景中的数据分布特性、特征维度数量、类别数以及噪声水平差异较大，传统的手动调参与模型设计方式可重复性较差，难以快速迁移到新的任务环境。本项目提出WOA-Kmeans-Transformer-LSTM组合结构，并在MATLAB R2025b环境中实现完整代码，目标在于构建一套具有通用性的智能模型设计范式。通过将聚类模块、注意力模块、时序记忆模块与元启发式优化模块进行松耦合集成，可以根据目标任务灵活替换特征提取方式或损失函数。鲸鱼优化算法负责在上层管理不同模块的关键超参数，使得整个系统对数据分布变化具有更强适应性。研究者和工程人员只需要根据新的数据特性调整输入格式和评价指标，即可将同一套框架快速迁移到其他领域。这样的设计增强了模型结构与实现过程的可复用性和标准化程度，有助于缩短从算法到工程应用的转换周期。

降低模型设计与调参与实现的门槛与成本

深度学习模型的部署通常需要丰富的经验与大量的调试时间，特别是在涉及Transformer和LSTM这类结构复杂的网络时，人工选择层数、嵌入维度、注意力头数、隐藏单元数量以及学习率等参数往往成本高昂。项目将鲸鱼优化算法引入到整个建模流程，使超参数搜索过程自动化，将大量依赖经验的模型设计工作转化为系统化的优化问题求解。同时，借助MATLAB R2025b提供的高层函数、可视化工具和深度学习工具箱，可以在统一环境中完成数据处理、模型构建、训练调试和结果分析，从而有效降低工程实现门槛。通过清晰的结构划分与模块化的脚本设计，项目目标是让使用者只需关注数据本身和业务需求，在较少编写底层细节代码的前提下，依然能够构建出性能良好的复杂预测模型，这对于科研项目和企业应用都能显著节省时间和人力成本。

探索集成优化方法在现实场景中的工程可行性

虽然在理论层面上集成K均值聚类、Transformer、LSTM和鲸鱼优化算法可以带来性能提升，但在真实工程环境中仍面临训练时间、内存资源、模型复杂度与稳定性等多维约束。本项目的另一个重要目标是从工程角度验证这种集成优化方法在现实场景中的可行性，通过控制Transformer头数、序列长度、LSTM层数等网络规模参数，以及鲸鱼群体规模和迭代次数等优化参数，在预测精度与计算开销之间取得平衡。项目将通过对训练过程时间、显存消耗、收敛曲线等指标的观察，探索在不同资源条件下的模型配置策略，从而为实际部署提供经验参考。同时，通过在不同类型数据集上的对比实验，验证WOA-Kmeans-Transformer-LSTM框架在面对噪声干扰、类别不平衡和特征冗余等问题时的鲁棒性，为后续在工业级系统中的应用奠定基础。这种从理论到工程的验证路径具有重要的现实意义。

项目挑战及解决方案

高维多特征与时序依赖带来的建模难度

多特征分类预测任务往往面对高维特征空间和多步时序依赖的双重复杂性，直接使用传统机器学习模型很难同时捕获这两类信息。在高维空间中，特征之间可能存在强烈的相关性和多重共线性，增加了模型学习有效决策边界的难度；若直接将所有特征输入到单一的深度网络中，参数数量往往会急剧膨胀，不仅训练时间大幅增加，而且容易出现过拟合。时序维度上，样本之间存在短期和长期的依赖关系，近期观测和较久之前的观测对当前类别标签的影响难以通过简单的滑动窗口或固定阶数的自回归结构来描述。Transformer结构虽然善于建模长距离依赖，但在处理时间顺序严格的信号时，若缺乏适当的结构约束，容易忽略一些局部动态细节；LSTM在刻画时间序列时具有优势，但在处理极高维特征时会面临输入维度过大、训练不稳定的问题。

解决这一挑战的方案是采用分而治之的总体策略并进行模块化设计。在特征空间层面，使用K均值聚类对样本进行分组，使同一簇内样本具有较为相似的特征结构，这样在每个簇中训练的Transformer-LSTM网络可以针对更同质的数据进行学习，降低决策边界复杂度。在时序建模层面，构建Transformer-LSTM组合结构：前部的Transformer模块负责通过自注意力机制在每个时间步内部聚合多维特征信息，生成信息密度更高的特征表示；后续的LSTM模块则在时间维度上对Transformer输出序列进行逐步处理，建立从历史到当前的演化关系。通过这种方式，网络的空间与时间建模任务被分解并分配给不同的子结构，使得整体模型在高维与时序双重复杂背景下依然能够稳定训练。此外，通过适当的正则化以及批归一化操作，控制网络的有效容量，减缓过拟合倾向。

超参数空间巨大与全局优化困难

将K均值、Transformer、LSTM和优化算法集成后，整体系统的超参数数量显著增加。例如，K均值中的聚类个数、初始中心选择方式、最大迭代次数；Transformer中的嵌入维度、多头注意力头数、前馈网络维度、层数；LSTM中的隐藏单元数、层数、丢弃率；以及训练过程中的学习率、批量大小、最大轮数等。这些超参数往往在连续和离散空间交织，传统的网格搜索或随机搜索不仅计算成本极高，而且很难探索到高维空间中的高质量解。若简单采用梯度信息进行超参数优化，又面临目标函数不可导或难以求导的问题，因此需要一种对目标函数形式要求不高、能够在连续空间进行全局搜索的优化方法。在这种背景下，没有有效的搜索策略，模型整体性能可能被限制在远低于潜在最优水平的局部最优区域。

针对此挑战，采用鲸鱼优化算法作为全局搜索工具。鲸鱼优化算法通过模拟座头鲸的捕猎行为，使用包围猎物、螺旋更新位置和随机搜索三种行为模式在搜索空间中进行跳转，其核心优点是结构简单、参数少且不依赖梯度信息。项目中将优化变量编码为一个高维连续向量，将部分离散超参数（如K均值簇数、Transformer层数、LSTM层数）通过整数编码与取整操作嵌入到搜索过程中。在每一次迭代中，鲸鱼群体根据当前全局最优个体的位置更新自身位置，逐步靠近性能更优的超参数组合。通过为每个候选解训练一个规模适中、轮数有限的模型并在验证集上评估分类精度或F1值，可以得到鲸鱼优化过程中的适应度评价。为降低计算成本，可结合早停策略与并行运算功能，对不同个体的模型训练过程进行时间控制和并行调度，从而在保证一定优化效果的前提下降低整体训练耗时。

MATLAB环境下自定义Transformer-LSTM与优化算法的集成实现难点

MATLAB R2025b在深度学习和可视化方面提供了丰富的工具，但在构建完全自定义的Transformer结构、与LSTM组合以及与自编元优化算法协同运行时，仍然存在若干工程细节需要精心处理。例如，R2025b不再提供高层transformerEncoderLayer，需要使用selfAttentionLayer、positionEmbeddingLayer和前馈网络等基础层手工搭建Encoder结构；同时，dlnetwork对象的Learnables更新需要通过训练循环和自动微分实现，而不能依靠某些旧版本的layerVisitor机制。为了与鲸鱼优化算法集成，需要在同一套脚本中协调模型构建、数据封装、前向预测、损失计算、梯度计算和参数更新，确保每次优化迭代都能正确得到对应超参数下的模型性能。此外，还必须满足R2025b的一些接口约束，例如colorbar相关属性变化、自定义图形对象与colormap的绑定方式，以免在可视化中触发不必要的错误。整个系统的不同模块之间如果缺乏清晰接口，很容易导致脚本结构混乱、调试困难。

解决这一挑战的方案是在整体设计阶段采用分层与模块化思想。首先，将模型定义部分封装为函数脚本，输入为单个结构体参数，其中包含Transformer-LSTM网络的层数、维度设置以及K均值聚类参数；函数内部使用深度学习工具箱中的自注意力层、位置嵌入层、全连接层和LSTM层，构建出对应的层图，并转换为dlnetwork对象。其次，将训练与验证过程封装为独立函数，输入为网络对象、训练数据、验证数据以及训练超参数，输出为训练后的网络和在验证集上的性能指标。鲸鱼优化算法在外层只负责生成候选超参数结构体并调用这些函数，从而形成清晰的调用链和数据流。训练过程采用自定义训练循环，使用dlarray和dlfeval进行前向传播与梯度计算，使用sgdmupdate等函数更新网络权重，保证与R2025b的dlnetwork约束相兼容。在可视化部分，统一使用figure和axes对象，以及turbo色图配置混淆矩阵展示，避免使用已被修改或废弃的接口。通过这样的规范化设计，可以在MATLAB环境下稳定运行整个WOA-Kmeans-Transformer-LSTM集成框架。

项目模型架构

整体框架的多层次集成结构

WOA-Kmeans-Transformer-LSTM整体架构可以概括为四层：数据预处理与聚类层、序列特征建模层、预测与分类层以及外层超参数优化层。数据预处理与聚类层负责将原始多特征数据进行清洗、归一化、时间窗口重构，并使用K均值进行样本分簇，实现空间上的结构分解；序列特征建模层由Transformer和LSTM构成，Transformer负责在每个时间步内部通过自注意力对多维特征进行权重聚合，LSTM则在时间轴上对序列进行记忆和更新，生成反映历史演化情况的高维状态表示；预测与分类层将LSTM输出映射到类别空间，通过softmax输出各类别概率，实现最终分类判决；外层的鲸鱼优化算法则通过迭代方式不断调整K均值聚类参数、Transformer和LSTM结构以及训练参数，使得整个网络在验证集上的表现不断提升。这样的结构将无监督聚类、序列建模和参数优化有机融合，使得模型兼具结构解耦性和整体协同性。

在具体实现中，输入数据首先被整理为样本×时间×特征的三维张量形式，利用滑动窗口或固定长度截取方式形成统一长度的时间片。聚类层以每个样本在窗口内的统计特征或末端特征为输入，执行K均值聚类，以形成若干簇；在训练时可以针对不同簇分别训练子模型，也可以将簇标签作为额外特征融入Transformer输入。序列建模层中，Transformer子模块处理的是时间×特征的序列，采用位置编码与多头自注意力机制捕获特征维度的相互作用；LSTM子模块则接收Transformer输出的序列，对其进行动态记忆和状态更新。预测层使用全连接层将最后时刻的LSTM隐状态映射为类别概率。整个网络在训练时由鲸鱼优化算法提供的超参数组合进行构建与训练，通过多次迭代搜索找到性能最优的组合。

K均值聚类在前端结构学习中的作用与原理

K均值聚类是一种迭代优化算法，其核心目标是将数据划分为K个簇，使每个簇内样本与簇中心之间的平方距离和最小。算法初始阶段选择K个样本或随机位置作为簇中心，然后在迭代过程中反复执行样本分配和中心更新：首先根据欧氏距离将每个样本分配到与其最近的簇中心所在簇；随后对每个簇重新计算所有成员样本的均值作为新的簇中心。这个过程在簇分配不再变化或达到最大迭代次数时停止。K均值在高维特征空间中可以快速形成初步的结构划分，为后续监督学习提供数据分布线索。在多特征分类预测场景下，通过K均值先对样本进行聚类，可以缓解不同类别在特征空间的重叠，使同一聚类内样本的分布更加集中，从而减少模型拟合复杂度。

在WOA-Kmeans-Transformer-LSTM架构中，K均值的角色不仅限于前端结构学习，还与鲸鱼优化算法紧密结合。鲸鱼优化算法通过搜索不同的K值以及初始中心方案，尽量使聚类结果在分类任务中带来更大的收益。例如，可以将聚类标签作为附加输入特征编码，通过一维嵌入或者独热编码形式加入Transformer输入维度，使网络在特征注意力计算时把聚类信息也考虑在内；也可以针对不同聚类子集训练不同的Transformer-LSTM子模型，形成一种粗粒度的分簇建模策略。通过这种方式，K均值聚类在整体架构中起到了将复杂数据空间分解为若干子空间的作用，为后续深度学习网络提供较为简单的建模对象。

Transformer模块的自注意力与位置编码原理

Transformer结构的核心在于自注意力机制和位置编码。自注意力机制通过对输入序列中的每个位置计算与其他位置之间的相似度，自动学习序列元素之间的依赖关系。在特征序列场景中，输入可以视为一个长度为T的时间序列，每个时间步包含D维特征向量。自注意力机制首先将输入通过线性变换映射到查询（Q）、键（K）和值（V）三个空间，然后通过Q与K的点积计算不同位置间的相关性，再通过softmax获得规范化的注意力权重，最后对V进行加权求和得到新的表示。多头注意力机制通过并行的多组Q、K、V线性映射，在不同子空间中学习不同的相关性模式，从而增强模型对复杂特征交互的表达能力。位置编码用于在序列中引入位置信息，以弥补自注意力本身不区分顺序的缺陷，可以采用可学习的嵌入向量与时间步索引对应，将其与特征表示相加，使网络能够识别时间顺序。

在本项目的架构中，Transformer模块侧重在每个时间步内部聚合多维特征的相互作用，以提高特征表示的判别力。利用MATLAB R2025b中提供的selfAttentionLayer、positionEmbeddingLayer和全连接层，可以搭建基本的Transformer Encoder单元，包括多头自注意力子层、前馈网络子层以及残差连接与归一化。通过鲸鱼优化算法搜索自注意力头数、嵌入维度和前馈网络宽度，可以在表达能力与计算成本之间取得均衡。Transformer在输出序列时不仅包含原始特征的线性变换，还包含在全局范围内通过注意力聚合后的重要信息，为后续的LSTM模块提供更加浓缩和结构化的输入。

LSTM模块的门控记忆机制与时序建模作用

LSTM网络是一种专门为解决长序列中的梯度消失问题而设计的循环神经网络变体，通过引入输入门、遗忘门和输出门三个门控机制控制信息流动。在每个时间步，LSTM接收当前输入和上一时刻的隐状态与细胞状态，通过遗忘门决定保留多少历史信息，通过输入门决定接收多少当前输入信息写入记忆单元，通过输出门控制当前时刻输出的隐状态。细胞状态在时间维度上承担长期记忆的角色，而隐状态则更侧重当前时刻的输出。通过这样的门控结构，LSTM可以在较长时间跨度上保持重要信息，同时逐渐遗忘不再相关的内容，从而在时序建模任务中表现出较好的稳定性和预测能力。

在WOA-Kmeans-Transformer-LSTM架构中，LSTM模块接收来自Transformer模块的输出序列，也就是经过自注意力加权后的特征表示序列。这样做的好处在于LSTM不再需要在高维原始特征空间中直接建模，而是处理已经融合了全局特征关系的表示，从而减轻LSTM的负担。通过设置一层或多层堆叠的LSTM结构，可以逐步提取时间维度上的高级特征，最终在最后一个时间步或通过时间序列池化方式获得用于分类的统一表示。鲸鱼优化算法可以对LSTM隐藏单元数量、层数以及丢弃率进行搜索，以适配不同长度和复杂度的序列任务。LSTM与Transformer形成互补：Transformer更关注特征之间的空间关系，LSTM更侧重时间上的演化规律，两者组合能够兼顾多维互动和时间依赖。

鲸鱼优化算法在超参数搜索与模型耦合中的原理

鲸鱼优化算法是一种基于群体智能的元启发式搜索策略，通过模拟座头鲸围捕猎物的行为来在复杂空间中进行全局搜索。算法中，每个个体代表一个候选解，在本项目中对应一组超参数组合，包括K均值簇数、Transformer头数、嵌入维度、LSTM隐藏单元等。算法初始化阶段在预设的参数范围内随机生成一定数量的个体；在迭代过程中，通过两个主要更新机制推动个体位置变化：包围猎物机制通过参考当前全局最优解位置，缩小搜索范围，令个体逐渐向最优区域集中；螺旋更新机制通过模拟鲸鱼围绕猎物做螺旋上升的轨迹，使个体在最优解附近进行局部搜索。为了避免陷入局部最优，算法还引入随机搜索机制，使部分个体以一定概率向随机个体靠拢，实现探索行为。通过适应度函数评估每个个体的优劣，适应度由在验证集上的分类指标（如正确率或F1分数）决定。

在与模型耦合的实现中，每当产生新的超参数个体时，系统便构建对应的K均值聚类和Transformer-LSTM模型，并按照设定的训练轮数运行训练过程，最终在验证集上计算性能指标。该指标即为鲸鱼优化算法的适应度值。通过多次迭代更新个体位置，鲸鱼群体逐步在超参数空间中逼近表现最优的解。为了控制计算量，可以设置适度的迭代次数和群体规模，并采用较小的网络规模进行快速评估，待搜索到较优区域后再对最佳个体进行更充分的训练。鲸鱼优化算法不依赖模型内部梯度，只需要模型作为黑盒提供性能反馈，因此能够适配复杂模型结构和任意形式的损失函数。通过这种方式，WOA在整体架构中扮演超参数管理者的角色，使K均值聚类和Transformer-LSTM模型得以在较优配置下工作。

项目模型描述及代码示例

数据生成与预处理示例
trainData2D = reshape(trainDataSeq, numTrain, timeSteps*numFeatures); % 将训练时序数据展平为二维，用于K均值聚类
[clusterIdx, clusterCenters] = kmeans(trainData2D, K, 'MaxIter', 100, 'Replicates', 3); % 使用K均值对训练集样本聚类，并设置最大迭代次数和重复运行次数以增强稳定性
lgraph = connectLayers(lgraph, 'ffn_norm', 'lstm_input'); % 将Transformer编码器的归一化输出连接到LSTM输入，实现前后端模块的信息流传递
numWhales = 5; % 设置鲸鱼种群规模为5个个体，每个个体代表一组超参数组合
maxIterWOA = 5; % 设置鲸鱼优化最大迭代次数为5，示例中使用较小迭代数以缩短运行时间
        bestFitness = fitness; % 将最优适应度更新为当前评估值，以便后续比较  
        bestParams.numHeads = numHeadsCand; % 记录当前个体的自注意力头数，作为最优注意力配置  

数据生成与预处理示例

trainData2D = reshape(trainDataSeq, numTrain, timeSteps*numFeatures); % 将训练时序数据展平为二维，用于K均值聚类
[clusterIdx, clusterCenters] = kmeans(trainData2D, K, 'MaxIter', 100, 'Replicates', 3); % 使用K均值对训练集样本聚类，并设置最大迭代次数和重复运行次数以增强稳定性

lgraph = connectLayers(lgraph, 'ffn_norm', 'lstm_input'); % 将Transformer编码器的归一化输出连接到LSTM输入，实现前后端模块的信息流传递

numWhales = 5; % 设置鲸鱼种群规模为5个个体，每个个体代表一组超参数组合
maxIterWOA = 5; % 设置鲸鱼优化最大迭代次数为5，示例中使用较小迭代数以缩短运行时间

        bestFitness = fitness; % 将最优适应度更新为当前评估值，以便后续比较  

        bestParams.numHeads = numHeadsCand; % 记录当前个体的自注意力头数，作为最优注意力配置  

更多详细内容请访问

http://人工智能MATLAB实现基于WOA-Kmeans-Transformer-LSTM鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）和Transformer-LSTM组合模型进行多特征分类预测_TTAO优化神经网络多特征分类预测资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/90224198

 https://download.csdn.net/download/xiaoxingkongyuxi/90224198

http:// https://download.csdn.net/download/xiaoxingkongyuxi/90224198