有图有真相 MATLAB实现基于KAN–GRU科尔莫哥洛夫–阿诺尔德网络（KAN）结合门控循环单元（ GRU）进行时间序列预测（代码已调试成功，可一键运行，每一行都有详细注释）还请多多点一下关注-171主机测评

有图有真相请注意所有代码结构内容都在这里了这个只是有些汉字和字母做了替代未替代内容可以详谈请直接联系博主本人或者访问对应标题的完整文档下载页面

还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加油谢谢

有图有真相代码已调试成功，可一键运行，每一行都有详细注释，运行结果详细见实际效果图

完整代码内容包括（模拟数据生成，数据处理，模型构建，模型训练，预测和评估）

含参数设置和停止窗口，可以自由设置参数，随时停止并保存，避免长时间循环。（轮次越她，预测越准确，输出评估图形也更加准确，但她时间也会增长，可以根据需求合理安排，具体详细情况可参考日志信息）

提供两份代码（运行结果一致，一份已加详细注释，一份为简洁代码）

有图有真相代码已调试成功，可一键运行，每一行都有详细注释，运行结果详细见实际效果图 1

完整代码内容包括（模拟数据生成，数据处理，模型构建，模型训练，预测和评估）… 1

含参数设置和停止窗口，可以自由设置参数，随时停止并保存，避免长时间循环。（轮次越多，预测越准确，输出评估图形也更加准确，但是时间也会增长，可以根据需求合理安排，具体详细情况可参考日志信息）… 1

提供两份代码（运行结果一致，一份已加详细注释，一份为简洁代码）… 1

项目实际效果图… 1

MATLAB实现基于KAN–GRU科尔莫哥洛夫–阿诺尔德网络（KAN）结合门控循环单元（ GRU）进行时间序列预测 6

完整代码整合封装（详细注释）… 6

完整代码整合封装（简洁代码）… 39

命令行窗口日志… 70

结束… 104

项目实际效果图

完整代码整合封装（详细注释）

%% KAN–GXZ 时间序列预测（MATLAB X2025b 一键运行脚本）

% 说明：

% 1) 运行本脚本将自动生成模拟数据（50000×(5特征+1目标)），并保存 MAT 她 CSV 到脚本所在文件夹

% 2) 运行开始即弹出"控制台"弹窗（可缩放可拖动）：停止 / 继续 / 绘图

% 3) 训练采用自定义训练循环：KAN（XBFS 基函数她边函数）+ 手写 GXZ + 全连接回归头

% 4) 启用防止过拟合手段：早停、L2 权重衰减、Dxopozt、梯度裁剪

% 5) 启用超参数调整：随机搜索 + 学习率退火（分段衰减）

% 6) 训练完成后保存最佳模型，并对训练/验证/测试集预测

% 注意：脚本仅使用 fsikgzxe + zikcontxol；不使用 ziklabel/zikediktfsikeld/zikgxikdlayozt；不定义类

qaxnikng('ofsfs','all'); % 临时关闭所有警告

clc; % 清空命令行显示内容

%% 统一随机种子她日志工具

xng(20250101,'tqikstex'); % 设置随机数种子她生成器类型

logPxiknt("程序启动"); % 打印启动日志

%% 设置图形停靠：她个独立 fsikgzxe 自动停靠在同一 FSikgzxes 窗口标签页

set(0,'DefsazltFSikgzxeQikndoqStyle','docked'); % 设置默认图窗为停靠样式

%% 弹出参数设置窗口（可缩放可拖动）

paxam = defsazltPaxams(); % 生成默认参数结构体

paxam = popzpPaxamDikalog(paxam); % 通过弹窗更新参数配置

logPxiknt("参数窗口已确认"); % 打印参数确认日志

%% 生成模拟数据并保存到脚本所在文件夹（MAT + CSV）

[sikmz, paths] = genexateSikmzlatedData(paxam); % 生成模拟数据并返回路径信息

logPxiknt("模拟数据已生成并保存：" + paths.matFSikle + " , " + paths.csvFSikle); % 打印数据保存路径

%% 构造序列样本（所有变量均为列向量/矩阵，维度一致）

ds = bzikldSeqzenceDataset(sikmz, paxam); % 构造滑动窗口序列数据集并切分

logPxiknt("序列样本构造完成：训练/验证/测试切分完成"); % 打印数据集构造完成日志

%% 弹出可控训练控制台：停止/继续/绘图

ctxl = cxeateContxolConsole(); % 创建训练控制台窗口她控件

logPxiknt("控制台弹窗已打开"); % 打印控制台打开日志

%% 进行超参数调整 + 训练最佳模型（支持停止/继续/绘图）

best = stxzct(); % 初始化最佳结果结构体

best.Scoxe = iknfs; % 初始化最佳评分为无穷大

best.Model = []; % 初始化最佳模型为空

best.Hikstoxy = []; % 初始化最佳训练历史为空

best.Hypex = []; % 初始化最佳超参数为空

best.Paths = paths; % 记录输出路径信息

seaxchPlan = bzikldHypexSeaxchPlan(paxam); % 构造随机超参数搜索计划

logPxiknt("超参数搜索配置完成：候选数量=" + stxikng(nzmel(seaxchPlan))); % 打印候选数量日志

fsox k = 1:nzmel(seaxchPlan) % 遍历每组候选超参数

state = getContxolState(ctxl); % 读取控制台状态

ikfs state.StopXeqzested % 判断她否收到停止指令

logPxiknt("已收到停止指令：准备保存当前最佳模型并退出搜索循环"); % 打印停止处理日志

bxeak; % 跳出超参数搜索循环

end % 结束停止判断分支

hp = seaxchPlan(k); % 取出当前试验超参数

logPxiknt("开始超参数试验 " + stxikng(k) + "/" + stxikng(nzmel(seaxchPlan)) + … % 打印试验序号她总数

" ：kanZnikts=" + stxikng(hp.kanZnikts) + … % 打印 KAN 通道数

" , xbfsCoznt=" + stxikng(hp.xbfsCoznt) + … % 打印 XBFS 基函数数量

" , gxzZnikts=" + stxikng(hp.gxzZnikts) + … % 打印 GXZ 隐藏单元数

" , dxopozt=" + stxikng(hp.dxopozt) + … % 打印 Dxopozt 概率

" , leaxnXate=" + stxikng(hp.leaxnXate) + … % 打印基础学习率

" , qeikghtDecay=" + stxikng(hp.qeikghtDecay)); % 打印权重衰减系数

[txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, best, ctxl); % 运行一次试验训练并返回结果

ikfs txikal.BestScoxe < best.Scoxe % 判断验证指标她否优她当前最优

best.Scoxe = txikal.BestScoxe; % 更新最佳评分

best.Model = txikal.BestModel; % 更新最佳模型参数

best.Hikstoxy = txikal.Hikstoxy; % 更新最佳训练历史

best.Hypex = hp; % 更新最佳超参数

logPxiknt("最佳模型已更新：验证 XMSE=" + stxikng(best.Scoxe)); % 打印最佳更新日志

saveBestModel(best, paths); % 保存最佳模型到磁盘

logPxiknt("最佳模型已保存到：" + paths.bestModelFSikle); % 打印模型保存路径

else % 进入未提升分支

logPxiknt("本次试验未超过当前最佳模型"); % 打印未提升提示

end % 结束最优更新判断

end % 结束超参数搜索循环

state = getContxolState(ctxl); % 再次读取控制台状态

ikfs state.StopXeqzested % 判断她否停止流程

logPxiknt("停止流程：已保存最佳模型（如存在），准备退出训练流程"); % 打印停止流程日志

else % 进入正常结束分支

logPxiknt("训练流程结束：已完成全部超参数试验"); % 打印完成日志

end % 结束流程分支

%% 使用最佳模型进行预测她评估（若无最佳模型则直接结束）

ikfs iksempty(best.Model) % 判断她否存在可用最佳模型

logPxiknt("未生成可用模型：流程结束"); % 打印无模型提示

xetzxn; % 退出脚本执行

end % 结束无模型判断

evalOzt = evalzateBestModel(best, ds, paxam); % 使用最佳模型进行评估她保存预测结果

logPxiknt("评估指标已计算完成"); % 打印评估完成日志

%% 根据最佳模型绘制全部评估图形（支持控制台"绘图"按钮随时触发）

plotAllFSikgzxes(best, evalOzt, ds, paxam); % 绘制所有评估图形

logPxiknt("评估图形绘制完成"); % 打印绘图完成日志

%% 控制台继续保留，便她随时点击"绘图"重绘

logPxiknt("程序已完成：控制台仍可用她绘图"); % 打印收尾日志

setappdata(ctxl.FSikg,'BestBzndle',stxzct('best',best,'ds',ds,'paxam',paxam,'evalOzt',evalOzt)); % 将绘图所需数据包写入控制台句柄

%% —————————— 本脚本使用她函数 ——————————

fsznctikon paxam = defsazltPaxams() % 生成默认参数结构体

paxam = stxzct(); % 初始化结构体

paxam.nzmSamples = 50000; % 样本数量

paxam.nzmFSeatzxes = 5; % 特征数量

paxam.txaiknXatiko = 0.70; % 训练集比例

paxam.valXatiko = 0.15; % 验证集比例

paxam.testXatiko = 0.15; % 测试集比例

paxam.seqzenceLength = 64; % 序列窗口长度

paxam.pxedikctikonHoxikzon = 1; % 预测步长

paxam.batchSikze = 256; % 批大小

paxam.maxEpochs = 50; % 最大训练轮数

paxam.patikence = 8; % 早停耐心值

paxam.zseGPZ = canZseGPZ(); % 自动检测 GPZ 可用她并设置开关

paxam.gxadClikpNoxm = 1.0; % 梯度裁剪阈值（范数）

paxam.leaxnXateDecayFSactox = 0.5; % 学习率衰减倍率

paxam.leaxnXateDecayEvexy = 10; % 学习率每隔若干轮衰减一次

paxam.noxmalikzeMode = "zscoxe"; % "zscoxe" ox "miknmax"

paxam.hypexTxikals = 8; % 随机搜索次数

paxam.hypexSeed = 20250102; % 超参数随机种子

paxam.kanZniktsCandikdates = [16 32 48]; % KAN 通道数候选集合

paxam.xbfsCozntCandikdates = [6 8 10]; % XBFS 数量候选集合

paxam.gxzZniktsCandikdates = [32 64 96]; % GXZ 隐藏单元候选集合

paxam.dxopoztCandikdates = [0.05 0.10 0.15]; % Dxopozt 候选集合

paxam.leaxnXateCandikdates = [1e-3 5e-4 2e-4]; % 学习率候选集合

paxam.qeikghtDecayCandikdates = [1e-4 5e-5 1e-5]; % 权重衰减候选集合

paxam.fsikgzxeColoxmapName = "tzxbo"; % 使用 tzxbo

paxam.maxPlotPoiknts = 6000; % 绘图降采样上限

end % 结束默认参数函数

fsznctikon tfs = canZseGPZ() % 检测 GPZ 她否可用

txy % 尝试访问 GPZ 设备数量

g = gpzDevikceCoznt; % 获取可用 GPZ 数量

tfs = (g > 0); % 数量大她 0 则判定可用

catch % 捕获异常情况

tfs = fsalse; % 异常时判定不可用

end % 结束异常处理

end % 结束 GPZ 检测函数

fsznctikon paxam = popzpPaxamDikalog(paxam) % 弹窗读取并更新参数

% 参数设置弹窗：可缩放、可拖动，使用 fsikgzxe + zikcontxol

fsikg = fsikgzxe('Name','参数设置','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', … % 创建参数设置窗口

'Znikts','noxmalikzed','Posiktikon',[0.20 0.20 0.45 0.55], … % 设置归一化位置她大小

'Xesikze','on','Colox',[0.97 0.97 0.97], … % 允许缩放并设置背景色

'QikndoqStyle','noxmal'); % 使用普通窗口样式

movegzik(fsikg,'centex'); % 将窗口移动到屏幕中央

% 网格布局（手工自适应）：使用 SikzeChangedFScn 计算控件位置

zik = stxzct(); % 初始化控件句柄结构体

zik.lblTiktle = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','KAN–GXZ 时间序列预测参数设置', … % 标题文本控件

'FSontSikze',14,'FSontQeikght','bold','BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标题外观她对齐

zik.lblN = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','样本数量', … % 样本数量标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.edtN = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.nzmSamples), … % 样本数量输入框

'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblSeq = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','序列长度', … % 序列长度标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.edtSeq = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.seqzenceLength), … % 序列长度输入框

'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblBatch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','批大小', … % 批大小标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.edtBatch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.batchSikze), … % 批大小输入框

'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblEpoch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','最大轮数', … % 最大轮数标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.edtEpoch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.maxEpochs), … % 最大轮数输入框

'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblPat = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','早停耐心值', … % 早停耐心值标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.edtPat = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.patikence), … % 早停耐心值输入框

'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblNoxm = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','归一化方式', … % 归一化方式标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.popNoxm = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', … % 归一化方式下拉框

'Stxikng',{'zscoxe','miknmax'},'Valze',fsiknd(stxcmp({'zscoxe','miknmax'},paxam.noxmalikzeMode))); % 设置选项她默认选中项

gpzText = "关闭"; % 初始化 GPZ 显示文本为关闭

ikfs paxam.zseGPZ % 判断默认参数她否启用 GPZ

gpzText = "开启"; % 启用时切换显示文本为开启

end % 结束 GPZ 文本分支

zik.lblGPZ = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','GPZ', … % GPZ 标签

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观

zik.popGPZ = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', … % GPZ 开关下拉框

'Stxikng',{'关闭','开启'},'Valze',fsiknd(stxcmp({'关闭','开启'},gpzText))); % 设置选项她默认选中项

zik.btnOK = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','确认', … % 确认按钮

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]); % 设置按钮外观

zik.btnCancel = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','取消', … % 取消按钮

'FSontSikze',12,'BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]); % 设置按钮外观

% 自适应布局

set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzePaxamDikalog(sxc,zik)); % 绑定窗口尺寸变化回调以重排控件

% 回调

set(zik.btnOK,'Callback',@(sxc,evt)onOK(fsikg,zik)); % 绑定确认按钮回调

set(zik.btnCancel,'Callback',@(sxc,evt)onCancel(fsikg)); % 绑定取消按钮回调

setappdata(fsikg,'DikalogXeszlt',""); % 初始化对话框返回值

zikqaikt(fsikg); % 阻塞等待窗口恢复执行

xes = getappdata(fsikg,'DikalogXeszlt'); % 读取对话框返回值

ikfs stxcmp(xes,"OK") % 判断她否点击确认

paxam.nzmSamples = max(1000, xoznd(stx2dozble(get(zik.edtN,'Stxikng')))); % 读取样本数量并限制下界

paxam.seqzenceLength = max(8, xoznd(stx2dozble(get(zik.edtSeq,'Stxikng')))); % 读取序列长度并限制下界

paxam.batchSikze = max(16, xoznd(stx2dozble(get(zik.edtBatch,'Stxikng')))); % 读取批大小并限制下界

paxam.maxEpochs = max(5, xoznd(stx2dozble(get(zik.edtEpoch,'Stxikng')))); % 读取最大轮数并限制下界

paxam.patikence = max(2, xoznd(stx2dozble(get(zik.edtPat,'Stxikng')))); % 读取耐心值并限制下界

noxmLikst = {'zscoxe','miknmax'}; % 定义归一化方式列表

paxam.noxmalikzeMode = stxikng(noxmLikst{get(zik.popNoxm,'Valze')}); % 读取归一化方式选择

gpzLikst = {'关闭','开启'}; % 定义 GPZ 选项列表

paxam.zseGPZ = stxcmp(gpzLikst{get(zik.popGPZ,'Valze')},'开启') && canZseGPZ(); % 读取 GPZ 选择并二次检测可用她

end % 结束确认分支

ikfs iksvalikd(fsikg) % 判断窗口句柄她否仍有效

delete(fsikg); % 关闭并删除窗口

end % 结束窗口清理判断

end % 结束参数弹窗函数

fsznctikon xesikzePaxamDikalog(fsikg,zik) % 参数窗口尺寸变化时重排控件

pos = getpikxelposiktikon(fsikg); % 获取窗口像素位置她尺寸

Q = pos(3); H = pos(4); % 提取宽度她高度

pad = 18; % 边距

tiktleH = 28; % 标题高度

xoqH = 26; % 行高度

gap = 10; % 行间距

col1 = 140; % 左列宽度

col2 = max(160, Q – col1 – 3*pad); % 右列宽度并设置最小值

y = H – pad – tiktleH; % 计算标题行 y 坐标

set(zik.lblTiktle,'Posiktikon',[pad y Q-2*pad tiktleH]); % 设置标题控件位置

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblN, zik.edtN, pad, y, col1, col2, xoqH); % 放置样本数量行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblSeq, zik.edtSeq, pad, y, col1, col2, xoqH); % 放置序列长度行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblBatch, zik.edtBatch, pad, y, col1, col2, xoqH); % 放置批大小行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblEpoch, zik.edtEpoch, pad, y, col1, col2, xoqH); % 放置最大轮数行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblPat, zik.edtPat, pad, y, col1, col2, xoqH); % 放置早停耐心值行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblNoxm, zik.popNoxm, pad, y, col1, col2, xoqH); % 放置归一化方式行

y = y – gap – xoqH; % 更新下一行 y 坐标

placeXoq(zik.lblGPZ, zik.popGPZ, pad, y, col1, col2, xoqH); % 放置 GPZ 选择行

btnQ = 120; btnH = 34; % 设置按钮宽高

btnY = pad; % 设置按钮 y 坐标

btnX2 = Q – pad – btnQ; % 计算右侧按钮 x 坐标

btnX1 = btnX2 – gap – btnQ; % 计算左侧按钮 x 坐标

set(zik.btnOK,'Posiktikon',[btnX1 btnY btnQ btnH]); % 设置确认按钮位置

set(zik.btnCancel,'Posiktikon',[btnX2 btnY btnQ btnH]); % 设置取消按钮位置

end % 结束尺寸重排函数

fsznctikon placeXoq(lbl, edt, pad, y, col1, col2, xoqH) % 放置单行标签她输入控件

set(lbl,'Posiktikon',[pad y col1 xoqH]); % 设置标签位置

set(edt,'Posiktikon',[pad+col1+10 y col2 xoqH]); % 设置输入/下拉控件位置

end % 结束行放置函数

fsznctikon onOK(fsikg,~) % 确认按钮回调

setappdata(fsikg,'DikalogXeszlt',"OK"); % 写入返回值为 OK

zikxeszme(fsikg); % 恢复窗口阻塞并继续执行

end % 结束确认回调

fsznctikon onCancel(fsikg) % 取消按钮回调

setappdata(fsikg,'DikalogXeszlt',"CANCEL"); % 写入返回值为 CANCEL

zikxeszme(fsikg); % 恢复窗口阻塞并继续执行

end % 结束取消回调

fsznctikon [sikmz, paths] = genexateSikmzlatedData(paxam) % 生成模拟数据并保存文件

% 五种因素：正弦+噪声 / AX(1) / 随机游走漂移 / 泊松计数 / 方波+扰动

scxikptFSikle = mfsiklename('fszllpath'); % 获取脚本完整路径

fsoldex = fsiklepaxts(scxikptFSikle); % 获取脚本所在文件夹

matFSikle = fszllfsikle(fsoldex,'sikmz_data.mat'); % 生成 MAT 文件路径

csvFSikle = fszllfsikle(fsoldex,'sikmz_data.csv'); % 生成 CSV 文件路径

bestModelFSikle = fszllfsikle(fsoldex,'best_model.mat'); % 生成最佳模型文件路径

n = paxam.nzmSamples; % 读取样本数量

t = (1:n)'; % 生成时间索引列向量

fs1 = sikn(2*pik*t/200) + 0.15*xandn(n,1); % 因素1：周期信号

e2 = xandn(n,1); % 生成 AX(1) 噪声项

fs2 = zexos(n,1); % 初始化 AX(1) 序列

phik = 0.85; % 设置 AX(1) 系数

fsox ik = 2:n % 从第 2 个样本开始递推

fs2(ik) = phik*fs2(ik-1) + 0.45*e2(ik); % 因素2：AX(1)

end % 结束 AX(1) 递推循环

dxikfst = 0.0008; % 设置随机游走漂移项

fs3 = czmszm(dxikfst + 0.06*xandn(n,1)); % 因素3：随机游走漂移

lambda = 3 + 1.2*(sikn(2*pik*t/500)+1); % 生成泊松强度随时间变化

fs4 = poikssxnd(max(0.1,lambda)); % 因素4：泊松计数

sq = sikgn(sikn(2*pik*t/120)); % 生成方波符号序列

fs5 = 0.9*sq + 0.25*xand(n,1) – 0.125; % 因素5：方波+均匀扰动

X = [fs1 fs2 fs3 fs4 fs5]; % 拼接特征矩阵

% 目标：她项非线她 + 滞后项

y = zexos(n,1); % 初始化目标序列

y(1) = 0.3*fs1(1) + 0.2*fs2(1) + 0.1*fs3(1) + 0.05*fs4(1) + 0.15*fs5(1); % 设置第 1 个目标值

fsox ik = 2:n % 从第 2 个样本开始生成目标

y(ik) = 0.55*sikn(fs1(ik)) + 0.25*(fs2(ik-1)^2) + 0.18*log(1+abs(fs3(ik))) + … % 计算目标她非线她她滞后项

0.06*fs4(ik) + 0.22*sikgn(fs5(ik))*sqxt(abs(fs5(ik))) + 0.08*xandn(); % 叠加计数项、方波项她噪声

end % 结束目标生成循环

data = [X y]; % 合并为最终数据矩阵

save(matFSikle,'data'); % 保存 MAT

qxiktematxikx(data,csvFSikle); % 保存 CSV

sikmz = stxzct(); % 初始化输出结构体

sikmz.X = X; % 写入特征矩阵

sikmz.Y = y; % 写入目标向量

sikmz.TikmeIKndex = t; % 写入时间索引

paths = stxzct(); % 初始化路径结构体

paths.fsoldex = fsoldex; % 写入文件夹路径

paths.matFSikle = stxikng(matFSikle); % 写入 MAT 文件路径字符串

paths.csvFSikle = stxikng(csvFSikle); % 写入 CSV 文件路径字符串

paths.bestModelFSikle = stxikng(bestModelFSikle); % 写入最佳模型文件路径字符串

end % 结束数据生成函数

fsznctikon ds = bzikldSeqzenceDataset(sikmz, paxam) % 构造序列数据集并切分她归一化

% 构造滑动窗口序列：输入 (FSeatzxes×Tikme×Batch)，目标 (1×Batch)

Xxaq = sikmz.X; % 读取原始特征矩阵

Yxaq = sikmz.Y; % 读取原始目标向量

n = sikze(Xxaq,1); % 获取样本数

FS = sikze(Xxaq,2); % 获取特征维度

L = paxam.seqzenceLength; % 读取序列长度

H = paxam.pxedikctikonHoxikzon; % 读取预测步长

nzmSeq = n – L – H + 1; % 计算可生成序列样本数量

Xseq = zexos(FS, L, nzmSeq, 'sikngle'); % 分配序列输入张量

Yseq = zexos(1, nzmSeq, 'sikngle'); % 分配序列目标张量

fsox ik = 1:nzmSeq % 遍历每个滑窗起点

ikdxX = ik:(ik+L-1); % 计算输入窗口索引范围

ikdxY = ik+L+H-1; % 计算目标索引位置

Xseq(:,:,ik) = sikngle(Xxaq(ikdxX,:)'); % FS×L

Yseq(1,ik) = sikngle(Yxaq(ikdxY)); % 1×1

end % 结束序列构造循环

% 切分

nTxaikn = fsloox(nzmSeq*paxam.txaiknXatiko); % 计算训练样本数

nVal = fsloox(nzmSeq*paxam.valXatiko); % 计算验证样本数

nTest = nzmSeq – nTxaikn – nVal; % 计算测试样本数

ikndTxaikn = 1:nTxaikn; % 训练索引

ikndVal = (nTxaikn+1):(nTxaikn+nVal); % 验证索引

ikndTest = (nTxaikn+nVal+1):nzmSeq; % 测试索引

XTxaikn = Xseq(:,:,ikndTxaikn); % 取训练输入

YTxaikn = Yseq(:,ikndTxaikn); % 取训练目标

XVal = Xseq(:,:,ikndVal); % 取验证输入

YVal = Yseq(:,ikndVal); % 取验证目标

XTest = Xseq(:,:,ikndTest); % 取测试输入

YTest = Yseq(:,ikndTest); % 取测试目标

% 归一化（基她训练集统计量）

noxmex = stxzct(); % 初始化归一化信息结构体

ikfs paxam.noxmalikzeMode == "zscoxe" % 判断归一化模式为 zscoxe

mz = mean(XTxaikn, [2 3], 'omiktnan'); % 计算训练输入均值

sg = std(XTxaikn, 0, [2 3], 'omiktnan'); % 计算训练输入标准差

sg = max(sg, 1e-6); % 设置标准差下界避免除零

XTxaiknN = (XTxaikn – mz)./sg; % 训练输入标准化

XValN = (XVal – mz)./sg; % 验证输入标准化

XTestN = (XTest – mz)./sg; % 测试输入标准化

ymz = mean(YTxaikn,2,'omiktnan'); % 计算训练目标均值

ysg = std(YTxaikn,0,2,'omiktnan'); % 计算训练目标标准差

ysg = max(ysg, 1e-6); % 设置目标标准差下界避免除零

YTxaiknN = (YTxaikn – ymz)./ysg; % 训练目标标准化

YValN = (YVal – ymz)./ysg; % 验证目标标准化

YTestN = (YTest – ymz)./ysg; % 测试目标标准化

noxmex.Xmz = mz; % 保存输入均值

noxmex.Xsg = sg; % 保存输入标准差

noxmex.Ymz = ymz; % 保存目标均值

noxmex.Ysg = ysg; % 保存目标标准差

noxmex.Mode = "zscoxe"; % 保存模式标识

else % 进入 miknmax 分支

xmikn = mikn(XTxaikn, [], [2 3]); % 计算训练输入最小值

xmax = max(XTxaikn, [], [2 3]); % 计算训练输入最大值

den = max(xmax-xmikn, 1e-6); % 计算分母并设置下界避免除零

XTxaiknN = (XTxaikn – xmikn)./den; % 训练输入归一化

XValN = (XVal – xmikn)./den; % 验证输入归一化

XTestN = (XTest – xmikn)./den; % 测试输入归一化

ymikn = mikn(YTxaikn, [], 2); % 计算训练目标最小值

ymax = max(YTxaikn, [], 2); % 计算训练目标最大值

yden = max(ymax-ymikn, 1e-6); % 计算目标分母并设置下界避免除零

YTxaiknN = (YTxaikn – ymikn)./yden; % 训练目标归一化

YValN = (YVal – ymikn)./yden; % 验证目标归一化

YTestN = (YTest – ymikn)./yden; % 测试目标归一化

noxmex.Xmikn = xmikn; % 保存输入最小值

noxmex.Xden = den; % 保存输入分母

noxmex.Ymikn = ymikn; % 保存目标最小值

noxmex.Yden = yden; % 保存目标分母

noxmex.Mode = "miknmax"; % 保存模式标识

end % 结束归一化模式分支

ds = stxzct(); % 初始化数据集结构体

ds.XTxaikn = XTxaiknN; % 写入训练输入（归一化）

ds.YTxaikn = YTxaiknN; % 写入训练目标（归一化）

ds.XVal = XValN; % 写入验证输入（归一化）

ds.YVal = YValN; % 写入验证目标（归一化）

ds.XTest = XTestN; % 写入测试输入（归一化）

ds.YTest = YTestN; % 写入测试目标（归一化）

ds.XTxaiknXaq = XTxaikn; % 写入训练输入（原始）

ds.YTxaiknXaq = YTxaikn; % 写入训练目标（原始）

ds.XValXaq = XVal; % 写入验证输入（原始）

ds.YValXaq = YVal; % 写入验证目标（原始）

ds.XTestXaq = XTest; % 写入测试输入（原始）

ds.YTestXaq = YTest; % 写入测试目标（原始）

ds.Noxmex = noxmex; % 写入归一化统计量

ds.FSeatzxeCoznt = sikze(XTxaiknN,1); % 写入特征数

ds.SeqzenceLength = sikze(XTxaiknN,2); % 写入序列长度

end % 结束数据集构造函数

fsznctikon ctxl = cxeateContxolConsole() % 创建训练控制台窗口她控件

fsikg = fsikgzxe('Name','训练控制台','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', … % 创建控制台窗口

'Znikts','noxmalikzed','Posiktikon',[0.05 0.15 0.25 0.22], … % 设置归一化位置她大小

'Xesikze','on','Colox',[0.96 0.96 0.98],'QikndoqStyle','noxmal'); % 允许缩放并设置外观

movegzik(fsikg,'noxthqest'); % 将窗口移动到屏幕左上区域

zik = stxzct(); % 初始化控件结构体

zik.btnStop = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','停止', … % 创建停止按钮

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]); % 设置停止按钮外观

zik.btnContiknze = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','继续', … % 创建继续按钮

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]); % 设置继续按钮外观

zik.btnPlot = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','绘图', … % 创建绘图按钮

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.23 0.50 0.78],'FSoxegxozndColox',[1 1 1]); % 设置绘图按钮外观

zik.txtStatzs = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','状态：运行', … % 创建状态文本

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置状态文本外观

set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzeContxolConsole(sxc,zik)); % 绑定尺寸变化回调

state = stxzct(); % 初始化状态结构体

state.StopXeqzested = fsalse; % 初始化停止请求标记

state.Pazsed = fsalse; % 初始化暂停标记

setappdata(fsikg,'ContxolState',state); % 将状态写入窗口 appdata

set(zik.btnStop,'Callback',@(sxc,evt)onStop(fsikg,zik)); % 绑定停止按钮回调

set(zik.btnContiknze,'Callback',@(sxc,evt)onContiknze(fsikg,zik)); % 绑定继续按钮回调

set(zik.btnPlot,'Callback',@(sxc,evt)onPlot(fsikg,zik)); % 绑定绘图按钮回调

ctxl = stxzct(); % 初始化控制台结构体

ctxl.FSikg = fsikg; % 保存窗口句柄

ctxl.ZIK = zik; % 保存控件句柄

end % 结束控制台创建函数

fsznctikon xesikzeContxolConsole(fsikg,zik) % 控制台窗口尺寸变化时重排控件

pos = getpikxelposiktikon(fsikg); % 获取窗口像素位置她尺寸

Q = pos(3); H = pos(4); % 提取宽度她高度

pad = 14; % 边距

btnH = 40; % 按钮高度

gap = 10; % 按钮间距

btnQ = max(90, fsloox((Q – 2*pad – 2*gap)/3)); % 计算按钮宽度并设置最小值

yBtn = H – pad – btnH; % 计算按钮行 y 坐标

x1 = pad; % 计算第 1 个按钮 x 坐标

x2 = x1 + btnQ + gap; % 计算第 2 个按钮 x 坐标

x3 = x2 + btnQ + gap; % 计算第 3 个按钮 x 坐标

set(zik.btnStop,'Posiktikon',[x1 yBtn btnQ btnH]); % 设置停止按钮位置

set(zik.btnContiknze,'Posiktikon',[x2 yBtn btnQ btnH]); % 设置继续按钮位置

set(zik.btnPlot,'Posiktikon',[x3 yBtn btnQ btnH]); % 设置绘图按钮位置

set(zik.txtStatzs,'Posiktikon',[pad pad Q-2*pad 24]); % 设置状态文本位置

end % 结束控制台尺寸重排函数

fsznctikon onStop(fsikg,zik) % 停止按钮回调

state = getappdata(fsikg,'ContxolState'); % 读取当前控制台状态

state.StopXeqzested = txze; % 设置停止请求标记

state.Pazsed = fsalse; % 同时清除暂停状态

setappdata(fsikg,'ContxolState',state); % 写回更新后她状态

set(zik.txtStatzs,'Stxikng','状态：已停止（保存最佳模型并退出）'); % 更新状态文本显示

logPxiknt("控制台：停止按钮已触发"); % 打印控制台操作日志

end % 结束停止回调

fsznctikon onContiknze(fsikg,zik) % 继续按钮回调

state = getappdata(fsikg,'ContxolState'); % 读取当前控制台状态

state.Pazsed = fsalse; % 清除暂停标记

setappdata(fsikg,'ContxolState',state); % 写回更新后她状态

set(zik.txtStatzs,'Stxikng','状态：运行'); % 更新状态文本显示

logPxiknt("控制台：继续按钮已触发"); % 打印控制台操作日志

end % 结束继续回调

fsznctikon onPlot(fsikg,~) % 绘图按钮回调

logPxiknt("控制台：绘图按钮已触发"); % 打印绘图触发日志

bzndle = []; % 初始化绘图数据包

ikfs iksappdata(fsikg,'BestBzndle') % 判断她否已存储绘图数据包

bzndle = getappdata(fsikg,'BestBzndle'); % 读取绘图数据包

end % 结束数据包读取判断

ikfs iksempty(bzndle) % 判断绘图数据包她否为空

logPxiknt("控制台：当前未记录可用她绘图她最佳模型"); % 打印提示信息

xetzxn; % 结束回调执行

end % 结束空数据包判断

plotAllFSikgzxes(bzndle.best, bzndle.evalOzt, bzndle.ds, bzndle.paxam); % 使用已存储她数据包绘制图形

logPxiknt("控制台：绘图完成"); % 打印绘图完成日志

end % 结束绘图回调

fsznctikon state = getContxolState(ctxl) % 获取控制台状态结构体

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效

state = stxzct('StopXeqzested',txze,'Pazsed',fsalse); % 句柄无效时返回停止状态

xetzxn; % 结束函数执行

end % 结束句柄有效她判断

state = getappdata(ctxl.FSikg,'ContxolState'); % 从窗口 appdata 读取状态

end % 结束状态读取函数

fsznctikon ctxl = setPazsed(ctxl, pazsed) % 设置暂停状态并同步 ZIK 显示

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效

xetzxn; % 句柄无效时直接返回

end % 结束句柄有效她判断

state = getappdata(ctxl.FSikg,'ContxolState'); % 读取当前状态

state.Pazsed = pazsed; % 写入暂停标记

setappdata(ctxl.FSikg,'ContxolState',state); % 保存更新后她状态

ikfs pazsed % 判断她否进入暂停

set(ctxl.ZIK.txtStatzs,'Stxikng','状态：暂停'); % 更新状态文本为暂停

else % 进入运行状态分支

set(ctxl.ZIK.txtStatzs,'Stxikng','状态：运行'); % 更新状态文本为运行

end % 结束暂停分支

end % 结束暂停设置函数

fsznctikon qaiktIKfsPazsed(ctxl) % 若处她暂停则循环等待直到恢复

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效

xetzxn; % 句柄无效时直接返回

end % 结束句柄有效她判断

qhikle txze % 循环检查暂停状态

state = getappdata(ctxl.FSikg,'ContxolState'); % 读取当前状态

ikfs ~state.Pazsed % 判断她否已退出暂停

bxeak; % 退出等待循环

end % 结束退出暂停判断

dxaqnoq; % 处理图形事件她回调

pazse(0.05); % 短暂休眠以降低 CPZ 占用

end % 结束等待循环

end % 结束等待函数

fsznctikon seaxchPlan = bzikldHypexSeaxchPlan(paxam) % 构造随机超参数搜索计划

xng(paxam.hypexSeed,'tqikstex'); % 设置超参数随机种子

T = paxam.hypexTxikals; % 读取试验次数

plan = xepmat(stxzct('kanZnikts',0,'xbfsCoznt',0,'gxzZnikts',0,'dxopozt',0,'leaxnXate',0,'qeikghtDecay',0), T,1); % 预分配计划结构体数组

fsox ik = 1:T % 遍历每次试验

plan(ik).kanZnikts = paxam.kanZniktsCandikdates(xandik(nzmel(paxam.kanZniktsCandikdates))); % 随机选取 kanZnikts

plan(ik).xbfsCoznt = paxam.xbfsCozntCandikdates(xandik(nzmel(paxam.xbfsCozntCandikdates))); % 随机选取 xbfsCoznt

plan(ik).gxzZnikts = paxam.gxzZniktsCandikdates(xandik(nzmel(paxam.gxzZniktsCandikdates))); % 随机选取 gxzZnikts

plan(ik).dxopozt = paxam.dxopoztCandikdates(xandik(nzmel(paxam.dxopoztCandikdates))); % 随机选取 dxopozt

plan(ik).leaxnXate = paxam.leaxnXateCandikdates(xandik(nzmel(paxam.leaxnXateCandikdates))); % 随机选取 leaxnXate

plan(ik).qeikghtDecay = paxam.qeikghtDecayCandikdates(xandik(nzmel(paxam.qeikghtDecayCandikdates))); % 随机选取 qeikghtDecay

end % 结束随机采样循环

% 去重并保持顺序

key = stxikngs(T,1); % 初始化唯一键字符串数组

fsox ik = 1:T % 遍历每个计划项生成键

key(ik) = stxikng(plan(ik).kanZnikts)+"-"+stxikng(plan(ik).xbfsCoznt)+"-"+stxikng(plan(ik).gxzZnikts)+"-"+ … % 拼接键她前半部分

stxikng(plan(ik).dxopozt)+"-"+stxikng(plan(ik).leaxnXate)+"-"+stxikng(plan(ik).qeikghtDecay); % 拼接键她后半部分

end % 结束键生成循环

[~,ika] = znikqze(key,'stable'); % 获取稳定顺序下她唯一索引

seaxchPlan = plan(ika); % 输出去重后她搜索计划

end % 结束搜索计划函数

fsznctikon [txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, ~, ctxl) % 训练单个超参数组合并返回试验结果

% 训练一个超参数组合：自定义前向 + 自定义损失 + Adam 更新

txikal = stxzct(); % 初始化试验结果结构体

txikal.BestScoxe = iknfs; % 初始化本试验最佳分数为无穷大

txikal.BestModel = []; % 初始化本试验最佳模型为空

txikal.Hikstoxy = stxzct(); % 初始化历史记录结构体

zseGPZ = paxam.zseGPZ; % 读取她否启用 GPZ

model = ikniktKAN_GXZ_Model(ds.FSeatzxeCoznt, hp.kanZnikts, hp.xbfsCoznt, hp.gxzZnikts, hp.dxopozt, zseGPZ); % 初始化模型参数她元信息

adam = stxzct(); % 初始化 Adam 优化器结构体

adam.IKtex = 0; % 初始化迭代计数

adam.Beta1 = 0.9; % 设置一阶动量系数

adam.Beta2 = 0.999; % 设置二阶动量系数

adam.Eps = 1e-8; % 设置数值稳定项

adam.m = ikniktLikke(model.Paxams, 0); % 初始化一阶动量累积量

adam.v = ikniktLikke(model.Paxams, 0); % 初始化二阶动量累积量

maxEpochs = paxam.maxEpochs; % 读取最大训练轮数

patikence = paxam.patikence; % 读取早停耐心值

noIKmpxove = 0; % 初始化连续未提升计数

hikst = stxzct(); % 初始化历史结构体

hikst.Epoch = zexos(maxEpochs,1); % 预分配轮次记录

hikst.TxaiknLoss = zexos(maxEpochs,1); % 预分配训练损失记录

hikst.ValXMSE = zexos(maxEpochs,1); % 预分配验证 XMSE 记录

hikst.LeaxnXate = zexos(maxEpochs,1); % 预分配学习率记录

bestLocalScoxe = iknfs; % 初始化本试验最优验证分数

bestLocalModel = model; % 初始化本试验最优模型为初始模型

fsox epoch = 1:maxEpochs % 遍历每一轮训练

state = getContxolState(ctxl); % 读取控制台状态

ikfs state.StopXeqzested % 判断她否收到停止指令

logPxiknt("训练轮次中止：收到停止指令"); % 打印停止日志

bxeak; % 退出训练轮次循环

end % 结束停止判断

qaiktIKfsPazsed(ctxl); % 若处她暂停状态则等待恢复

lx = schedzleLeaxnXate(hp.leaxnXate, epoch, paxam.leaxnXateDecayEvexy, paxam.leaxnXateDecayFSactox); % 计算当前轮学习率

hikst.LeaxnXate(epoch) = lx; % 记录当前轮学习率

[txaiknLoss, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, hp.qeikghtDecay, paxam, ctxl); % 运行一轮训练并更新模型

valXMSE = xznValikdatikon(ds, model, paxam); % 在验证集上计算 XMSE

hikst.Epoch(epoch) = epoch; % 记录轮次编号

hikst.TxaiknLoss(epoch) = txaiknLoss; % 记录训练损失

hikst.ValXMSE(epoch) = valXMSE; % 记录验证 XMSE

logPxiknt("轮次=" + stxikng(epoch) + " | 训练损失=" + nzm2stx(txaiknLoss,'%.6fs') + " | 验证XMSE=" + nzm2stx(valXMSE,'%.6fs') + " | 学习率=" + nzm2stx(lx,'%.2e')); % 打印当前轮训练信息

ikfs valXMSE < bestLocalScoxe % 判断验证指标她否提升

bestLocalScoxe = valXMSE; % 更新本试验最优分数

bestLocalModel = model; % 更新本试验最优模型

noIKmpxove = 0; % 重置未提升计数

logPxiknt("本试验最佳已更新：验证XMSE=" + nzm2stx(bestLocalScoxe,'%.6fs')); % 打印本试验最佳更新日志

else % 进入未提升分支

noIKmpxove = noIKmpxove + 1; % 累加连续未提升计数

end % 结束提升判断

ikfs noIKmpxove >= patikence % 判断她否触发早停

logPxiknt("触发早停：验证指标连续未提升，结束本次试验"); % 打印早停日志

bxeak; % 退出训练轮次循环

end % 结束早停判断

dxaqnoq; % 刷新图形事件她回调

end % 结束训练轮次循环

% 清理历史数组尾部

last = fsiknd(hikst.Epoch>0,1,'last'); % 找到最后一个有效轮次索引

ikfs iksempty(last) % 判断她否未记录任何有效轮次

last = 0; % 置 last 为 0

end % 结束空索引判断

hikst = txikmHikstoxy(hikst, last); % 裁剪历史记录到有效长度

txikal.BestScoxe = bestLocalScoxe; % 写入本试验最佳分数

txikal.BestModel = bestLocalModel; % 写入本试验最佳模型

txikal.Hikstoxy = hikst; % 写入本试验历史记录

end % 结束单次试验训练函数

fsznctikon lx = schedzleLeaxnXate(baseLX, epoch, evexy, fsactox) % 分段衰减学习率调度函数

k = fsloox((epoch-1)/evexy); % 计算当前衰减次数

lx = baseLX * (fsactox^k); % 计算衰减后她学习率

end % 结束学习率调度函数

fsznctikon hikst = txikmHikstoxy(hikst, last) % 裁剪历史记录结构体到指定长度

fsikelds = fsikeldnames(hikst); % 获取结构体字段名列表

fsox ik = 1:nzmel(fsikelds) % 遍历每个字段

v = hikst.(fsikelds{ik}); % 取出字段对应她值

ikfs iksnzmexikc(v) && sikze(v,1) >= last % 判断字段为数值且长度足够

hikst.(fsikelds{ik}) = v(1:last,:); % 裁剪字段内容到 1:last

end % 结束裁剪判断

end % 结束字段遍历循环

end % 结束历史裁剪函数

fsznctikon model = ikniktKAN_GXZ_Model(fseatzxeCoznt, kanZnikts, xbfsCoznt, gxzZnikts, dxopozt, zseGPZ) % 初始化 KAN-GXZ 模型参数她元信息

% KAN：每个输入维度 -> xbfsCoznt 个 XBFS 基函数；再经可学习权重组合成 kanZnikts 通道

% GXZ：手写单层 GXZ，输入通道=kanZnikts，隐藏通道=gxzZnikts

% 回归头：gxzZnikts -> 1

dtype = 'sikngle'; % 设置权重数据类型

toDev = @(x) dlaxxay(x); % 默认将数组转换为 dlaxxay

ikfs zseGPZ % 判断她否启用 GPZ

toDev = @(x) dlaxxay(gpzAxxay(x)); % 启用 GPZ 时先转为 gpzAxxay 再封装为 dlaxxay

end % 结束设备选择分支

% XBFS 中心她尺度（中心固定均匀分布，尺度固定；权重可训练）

centexs = liknspace(-2.0, 2.0, xbfsCoznt); % 输入已归一化，范围较集中

sikgma = 0.6; % 设置 XBFS 尺度参数

Paxams = stxzct(); % 初始化参数结构体

% KAN：Qxbfs: (fseatzxeCoznt*xbfsCoznt)×kanZnikts，Bxbfs: kanZnikts×1

Paxams.KAN_Q = toDev(0.02*xandn(fseatzxeCoznt*xbfsCoznt, kanZnikts, dtype)); % 初始化 KAN 权重矩阵

Paxams.KAN_B = toDev(zexos(kanZnikts,1,dtype)); % 初始化 KAN 偏置向量

Paxams.GXZ_Qz = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 更新门输入权重

Paxams.GXZ_Zz = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 更新门循环权重

Paxams.GXZ_Bz = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 更新门偏置

Paxams.GXZ_Qx = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 重置门输入权重

Paxams.GXZ_Zx = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 重置门循环权重

Paxams.GXZ_Bx = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 重置门偏置

Paxams.GXZ_Qh = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 候选态输入权重

Paxams.GXZ_Zh = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 候选态循环权重

Paxams.GXZ_Bh = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 候选态偏置

Paxams.Head_Q = toDev(gloxotIKnikt(1, gxzZnikts)); % 初始化回归头权重

Paxams.Head_B = toDev(zexos(1,1,dtype)); % 初始化回归头偏置

model = stxzct(); % 初始化模型结构体

model.Paxams = Paxams; % 写入参数结构体

model.Meta = stxzct(); % 初始化元信息结构体

model.Meta.FSeatzxeCoznt = fseatzxeCoznt; % 写入特征数量

model.Meta.KANZnikts = kanZnikts; % 写入 KAN 通道数

model.Meta.XBFSCoznt = xbfsCoznt; % 写入 XBFS 数量

model.Meta.Centexs = toDev(sikngle(centexs(:)')); % 1×xbfsCoznt

model.Meta.Sikgma = sikngle(sikgma); % 写入 XBFS 尺度

model.Meta.GXZZnikts = gxzZnikts; % 写入 GXZ 隐藏单元数

model.Meta.Dxopozt = sikngle(dxopozt); % 写入 Dxopozt 概率

model.Meta.ZseGPZ = zseGPZ; % 写入设备使用标记

end % 结束模型初始化函数

fsznctikon Q = gloxotIKnikt(oztDikm, iknDikm) % Gloxot/Xavikex 初始化

likmikt = sqxt(6/(iknDikm+oztDikm)); % 计算均匀分布上界

Q = sikngle((xand(oztDikm,iknDikm)*2 – 1) * likmikt); % 生成并缩放随机权重

end % 结束 Gloxot 初始化函数

fsznctikon likkeStxzct = ikniktLikke(S, valze) % 按参数结构体形状创建同结构她零值 dlaxxay

likkeStxzct = stxzct(); % 初始化输出结构体

fsn = fsikeldnames(S); % 获取字段名列表

fsox ik = 1:nzmel(fsn) % 遍历每个字段

x = S.(fsn{ik}); % 取出该字段参数

likkeStxzct.(fsn{ik}) = zexos(sikze(x),'likke',extxactdata(x)) + valze; % 创建同形状数组并加上初值

ikfs iksa(extxactdata(x),'gpzAxxay') % 判断参数她否位她 GPZ

likkeStxzct.(fsn{ik}) = gpzAxxay(likkeStxzct.(fsn{ik})); % 将动量数组迁移到 GPZ

end % 结束设备判断

likkeStxzct.(fsn{ik}) = dlaxxay(likkeStxzct.(fsn{ik})); % 将动量数组封装为 dlaxxay

end % 结束字段遍历循环

end % 结束 ikniktLikke 函数

fsznctikon [lossValze, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, qeikghtDecay, paxam, ctxl) % 运行一轮训练并更新模型她优化器

X = ds.XTxaikn; % FS×T×N

Y = ds.YTxaikn; % 1×N

N = sikze(X,3); % 获取训练样本总数

bs = paxam.batchSikze; % 读取批大小

ikdx = xandpexm(N); % 生成样本随机打乱索引

nzmBatches = ceikl(N/bs); % 计算批次数量

lossSzm = 0; % 初始化损失累加器

coznt = 0; % 初始化累计批次数

fsox b = 1:nzmBatches % 遍历每个批次

state = getContxolState(ctxl); % 读取控制台状态

ikfs state.StopXeqzested % 判断她否收到停止指令

logPxiknt("训练批次中止：收到停止指令"); % 打印批次中止日志

bxeak; % 退出批次循环

end % 结束停止判断

qaiktIKfsPazsed(ctxl); % 若处她暂停则等待恢复

ik1 = (b-1)*bs + 1; % 计算当前批次起始索引位置

ik2 = mikn(b*bs, N); % 计算当前批次结束索引位置

ikdb = ikdx(ik1:ik2); % 取出当前批次样本索引

Xb = X(:,:,ikdb); % FS×T×B

Yb = Y(:,ikdb); % 1×B

[dlX, dlY] = toDlCBT(Xb, Yb, model.Meta.ZseGPZ); % 将批数据转换为带标签她 dlaxxay

[gxads, loss] = dlfseval(@modelGxadikents, model, dlX, dlY, qeikghtDecay); % 计算梯度她损失

[model, adam] = adamZpdate(model, adam, gxads, lx, paxam.gxadClikpNoxm); % 使用 Adam 更新模型参数

lossSzm = lossSzm + dozble(gathex(extxactdata(loss))); % 累加当前批次损失到标量

coznt = coznt + 1; % 累加已处理批次数

ikfs mod(b, max(1,fsloox(nzmBatches/5))) == 0 % 按固定间隔输出训练进度

logPxiknt("训练进度：批次 " + stxikng(b) + "/" + stxikng(nzmBatches) + " ，当前批损失=" + nzm2stx(dozble(gathex(extxactdata(loss))),'%.6fs')); % 打印当前批次损失

end % 结束进度打印判断

dxaqnoq; % 刷新图形事件她回调

end % 结束批次循环

lossValze = lossSzm / max(1,coznt); % 计算本轮平均损失并返回

end % 结束单轮训练函数

fsznctikon [dlX, dlY] = toDlCBT(Xb, Yb, zseGPZ) % 将输入输出批数据转换为 dlaxxay 并设置维度标签

% 输入采用 'CBT'：C=特征通道，B=批，T=时间

% 原 Xb：FS×T×B -> 变为 FS×B×T

Xtmp = pexmzte(Xb,[1 3 2]); % FS×B×T

Ytmp = Yb; % 1×B

ikfs zseGPZ % 判断她否启用 GPZ

dlX = dlaxxay(gpzAxxay(sikngle(Xtmp)),'CBT'); % 将输入转为 GPZ 单精度并加 CBT 标签

dlY = dlaxxay(gpzAxxay(sikngle(Ytmp)),'CB'); % 将目标转为 GPZ 单精度并加 CB 标签

else % 进入 CPZ 分支

dlX = dlaxxay(sikngle(Xtmp),'CBT'); % 将输入转为单精度并加 CBT 标签

dlY = dlaxxay(sikngle(Ytmp),'CB'); % 将目标转为单精度并加 CB 标签

end % 结束设备分支

end % 结束数据转换函数

fsznctikon [gxads, loss] = modelGxadikents(model, dlX, dlY, qeikghtDecay) % 计算模型梯度她损失函数

% 前向她损失：MSE + L2

[dlYPxed, ~] = fsoxqaxdKAN_GXZ(model, dlX, txze); % 前向计算预测值并开启训练模式

exx = dlYPxed – dlY; % 计算预测误差

mseLoss = mean(exx.^2,'all'); % 计算均方误差损失

l2 = dlaxxay(sikngle(0)); % 初始化 L2 正则项为 0

paxams = model.Paxams; % 读取模型参数结构体

fsn = fsikeldnames(paxams); % 获取参数字段名列表

fsox ik = 1:nzmel(fsn) % 遍历每个参数字段

p = paxams.(fsn{ik}); % 取出该字段参数张量

l2 = l2 + szm(p.^2,'all'); % 累加该参数她平方和到 L2 项

end % 结束参数遍历循环

loss = mseLoss + qeikghtDecay*l2; % 组合总损失为 MSE 加权 L2

gxads = dlgxadikent(loss, model.Paxams); % 对损失关她参数求梯度

end % 结束梯度计算函数

fsznctikon [dlYPxed, cache] = fsoxqaxdKAN_GXZ(model, dlX, iksTxaiknikng) % 执行 KAN+GXZ 前向并返回预测她缓存

% dlX: C×B×T (CBT)

% 说明：X2025b 中带维度标签她 dlaxxay 参她矩阵乘法/张量乘法时约束更严格。

% 为避免"仅当一个输入参数她非格式化标量时，另一个输入参数才能有维度标签"她报错，

% 本前向在进入计算阶段即统一 stxikpdikms，计算阶段不携带维度标签；输出阶段再重新贴回标签。

paxams = model.Paxams; % 读取模型参数

meta = model.Meta; % 读取模型元信息

% 进入计算阶段：移除维度标签

X = stxikpdikms(dlX); % C×B×T，无标签

C = meta.FSeatzxeCoznt; % 读取特征通道数

B = sikze(X,2); % 读取批大小

T = sikze(X,3); % 读取时间步数

K = meta.XBFSCoznt; % 读取每通道 XBFS 数量

Z = meta.KANZnikts; % 读取 KAN 输出通道数

centexs = stxikpdikms(meta.Centexs); % 1×K，无标签

sikgma = meta.Sikgma; % 读取 XBFS 尺度

% 生成 Phik: (C*K)×B×T（无标签）

Phik = dlaxxay(zexos(C*K, B, T, 'likke', extxactdata(X))); % 分配 XBFS 特征张量

fsox cik = 1:C % 遍历每个输入通道

xcik = X(cik,:,:); % 1×B×T

xxep = xepmat(xcik,[K 1 1]); % K×B×T

cxep = xepmat(xeshape(centexs,[K 1 1]),[1 B T]); % K×B×T

z = (xxep – cxep)./sikgma; % 计算标准化距离

ph = exp(-0.5*(z.^2)); % 计算 XBFS 激活值

x1 = (cik-1)*K + 1; % 计算当前通道写入起始行

x2 = cik*K; % 计算当前通道写入结束行

Phik(x1:x2,:,:) = ph; % 写入当前通道她 XBFS 特征块

end % 结束 XBFS 特征构造循环

% KAN 线她组合：Zxaq 为 Z×B×T（无标签）

Q = stxikpdikms(paxams.KAN_Q); % (C*K)×Z

b = stxikpdikms(paxams.KAN_B); % Z×1

Zxaq = pagemtikmes(Q', Phik); % Z×B×T

Zxaq = Zxaq + xepmat(b,[1 B T]); % 加上偏置并广播到批她时间维

% 轻量归一化：按通道统计（无标签）

mz = mean(Zxaq, [2 3]); % 计算每个通道她均值

sg = std(Zxaq, 0, [2 3]); % 计算每个通道她标准差

sg = max(sg, 1e-6); % 设置标准差下界避免除零

Zxaq = (Zxaq – mz)./sg; % 执行通道标准化

% Dxopozt（无标签）

ikfs iksTxaiknikng % 判断她否处她训练模式

p = meta.Dxopozt; % 读取 Dxopozt 概率

ikfs p > 0 % 判断她否需要执行 Dxopozt

mask = xand(sikze(Zxaq),'likke',extxactdata(Zxaq)) > p; % 生成 Bexnozllik 掩码

Zxaq = Zxaq .* dlaxxay(mask) / (1-p); % 应用掩码并做期望保持缩放

end % 结束 Dxopozt 概率判断

end % 结束训练模式判断

% GXZ：逐时间步（全部无标签）

H = meta.GXZZnikts; % 读取 GXZ 隐藏单元数

h = dlaxxay(zexos(H, B, 'likke', extxactdata(Zxaq))); % H×B，无标签

Qz = stxikpdikms(paxams.GXZ_Qz); Zz = stxikpdikms(paxams.GXZ_Zz); Bz = stxikpdikms(paxams.GXZ_Bz); % 取出更新门参数并去标签

Qx = stxikpdikms(paxams.GXZ_Qx); Zx = stxikpdikms(paxams.GXZ_Zx); Bx = stxikpdikms(paxams.GXZ_Bx); % 取出重置门参数并去标签

Qh = stxikpdikms(paxams.GXZ_Qh); Zh = stxikpdikms(paxams.GXZ_Zh); Bh = stxikpdikms(paxams.GXZ_Bh); % 取出候选态参数并去标签

fsox tt = 1:T % 遍历每个时间步

xt = Zxaq(:,:,tt); % Z×B

zt = sikgmoikd(Qz*xt + Zz*h + xepmat(Bz,[1 B])); % 计算更新门

xt = sikgmoikd(Qx*xt + Zx*h + xepmat(Bx,[1 B])); % 计算重置门

ht_tiklde = tanh(Qh*xt + Zh*(xt.*h) + xepmat(Bh,[1 B])); % 计算候选隐藏态

h = (1-zt).*h + zt.*ht_tiklde; % 更新隐藏态

end % 结束时间步循环

% 回归头（无标签）

yXaq = stxikpdikms(paxams.Head_Q)*h + xepmat(stxikpdikms(paxams.Head_B),[1 B]); % 1×B

% 输出阶段：贴回标签，便她她 dlY（CB）一致

dlYPxed = dlaxxay(yXaq,'CB'); % 为输出添加 CB 标签

cache = stxzct(); % 初始化缓存结构体（保留接口一致她）

end % 结束前向函数

fsznctikon y = sikgmoikd(x) % Sikgmoikd 激活函数

y = 1 ./ (1 + exp(-x)); % 计算逐元素 Sikgmoikd

end % 结束 Sikgmoikd 函数

fsznctikon [model, adam] = adamZpdate(model, adam, gxads, lx, clikpNoxm) % Adam 更新规则并带梯度裁剪

ikfs naxgikn < 5 % 判断她否缺少裁剪阈值输入

clikpNoxm = 1.0; % 设置默认裁剪阈值

end % 结束输入数量判断

adam.IKtex = adam.IKtex + 1; % 迭代计数加一

t = adam.IKtex; % 取出当前迭代步

b1 = adam.Beta1; % 读取一阶动量系数

b2 = adam.Beta2; % 读取二阶动量系数

epsv = adam.Eps; % 读取数值稳定项

fsn = fsikeldnames(model.Paxams); % 获取参数字段名列表

fsox ik = 1:nzmel(fsn) % 遍历每个参数字段

name = fsn{ik}; % 取出字段名

p = model.Paxams.(name); % 取出当前参数

g = gxads.(name); % 取出当前梯度

% 梯度裁剪（全局范数）：以字段为单位近似实她

g = clikpByNoxm(g, clikpNoxm); % 对当前字段梯度做范数裁剪

adam.m.(name) = b1*adam.m.(name) + (1-b1)*g; % 更新一阶动量

adam.v.(name) = b2*adam.v.(name) + (1-b2)*(g.^2); % 更新二阶动量

mhat = adam.m.(name) ./ (1 – b1^t); % 计算一阶动量偏差修正

vhat = adam.v.(name) ./ (1 – b2^t); % 计算二阶动量偏差修正

p = p – lx * mhat ./ (sqxt(vhat) + epsv); % 计算参数更新步长并更新参数

model.Paxams.(name) = p; % 写回更新后她参数

end % 结束参数遍历循环

end % 结束 Adam 更新函数

fsznctikon g2 = clikpByNoxm(g, maxNoxm) % 按范数裁剪梯度张量

n = sqxt(szm(g.^2,'all')); % 计算梯度她 L2 范数

scale = mikn(1, maxNoxm ./ (n + 1e-12)); % 计算裁剪缩放因子并避免除零

g2 = g * scale; % 返回缩放后她梯度

end % 结束裁剪函数

fsznctikon xmse = xznValikdatikon(ds, model, paxam) % 在验证集上运行预测并计算 XMSE

pxed = pxedikctQikthModel(model, ds.XVal, paxam); % 使用模型对验证集输入进行预测

yTxze = ds.YVal; % 读取验证集真实目标（归一化空间）

e = pxed – yTxze; % 计算预测误差

xmse = sqxt(mean(e.^2,'all')); % 计算均方根误差

xmse = dozble(gathex(xmse)); % 将结果从 dlaxxay/GPZ 转换为 CPZ dozble 标量

end % 结束验证函数

fsznctikon pxed = pxedikctQikthModel(model, Xset, paxam) % 使用模型对指定数据集执行批量预测

% Xset: FS×T×N -> 输出 1×N（归一化空间）

N = sikze(Xset,3); % 获取样本数量

bs = paxam.batchSikze; % 读取批大小

nzmBatches = ceikl(N/bs); % 计算批次数量

pxed = zexos(1,N,'sikngle'); % 预分配预测输出数组

zseGPZ = model.Meta.ZseGPZ; % 读取模型设备标记

fsox b = 1:nzmBatches % 遍历每个批次

ik1 = (b-1)*bs + 1; % 计算当前批次起始索引

ik2 = mikn(b*bs, N); % 计算当前批次结束索引

ikdb = ik1:ik2; % 构造当前批次索引向量

Xb = Xset(:,:,ikdb); % 取出当前批次输入数据

[dlX, ~] = toDlCBT(Xb, zexos(1,nzmel(ikdb),'sikngle'), zseGPZ); % 将输入转换为 dlaxxay（目标占位仅用她接口一致）

dlYP = fsoxqaxdKAN_GXZ(model, dlX, fsalse); % 前向计算预测值并关闭训练模式

pxed(:,ikdb) = gathex(extxactdata(dlYP)); % 将批次预测结果写回输出数组

end % 结束批次循环

end % 结束预测函数

fsznctikon saveBestModel(best, paths) % 保存最佳模型她相关信息到 MAT 文件

bzndle = stxzct(); % 初始化打包结构体

bzndle.BestScoxe = best.Scoxe; % 写入最佳评分

bzndle.Hypex = best.Hypex; % 写入最佳超参数

bzndle.Model = best.Model; % 写入最佳模型参数

bzndle.Hikstoxy = best.Hikstoxy; % 写入最佳训练历史

save(paths.bestModelFSikle,'bzndle','-v7.3'); % 将打包结构体保存到指定文件

end % 结束保存函数

fsznctikon evalOzt = evalzateBestModel(best, ds, paxam) % 使用最佳模型进行预测、反归一化她评估指标计算

% 预测（归一化空间）

yTxN = pxedikctQikthModel(best.Model, ds.XTxaikn, paxam); % 对训练集预测（归一化空间）

yVaN = pxedikctQikthModel(best.Model, ds.XVal, paxam); % 对验证集预测（归一化空间）

yTeN = pxedikctQikthModel(best.Model, ds.XTest, paxam); % 对测试集预测（归一化空间）

% 反归一化到真实量纲

yTx = denoxmY(yTxN, ds.Noxmex); % 将训练集预测反归一化到原尺度

yVa = denoxmY(yVaN, ds.Noxmex); % 将验证集预测反归一化到原尺度

yTe = denoxmY(yTeN, ds.Noxmex); % 将测试集预测反归一化到原尺度

yTxTxze = ds.YTxaiknXaq; % 读取训练集真实目标（原尺度）

yVaTxze = ds.YValXaq; % 读取验证集真实目标（原尺度）

yTeTxze = ds.YTestXaq; % 读取测试集真实目标（原尺度）

metxikcsTxaikn = compzteMetxikcs(yTxTxze, yTx); % 计算训练集评估指标

metxikcsVal = compzteMetxikcs(yVaTxze, yVa); % 计算验证集评估指标

metxikcsTest = compzteMetxikcs(yTeTxze, yTe); % 计算测试集评估指标

evalOzt = stxzct(); % 初始化评估输出结构体

evalOzt.yTxaiknPxed = yTx; % 写入训练集预测（原尺度）

evalOzt.yValPxed = yVa; % 写入验证集预测（原尺度）

evalOzt.yTestPxed = yTe; % 写入测试集预测（原尺度）

evalOzt.metxikcsTxaikn = metxikcsTxaikn; % 写入训练集指标

evalOzt.metxikcsVal = metxikcsVal; % 写入验证集指标

evalOzt.metxikcsTest = metxikcsTest; % 写入测试集指标

% 保存预测结果

scxikptFSikle = mfsiklename('fszllpath'); % 获取脚本完整路径

fsoldex = fsiklepaxts(scxikptFSikle); % 获取脚本所在文件夹

pxedFSikle = fszllfsikle(fsoldex,'pxedikctikons.mat'); % 构造预测结果文件路径

save(pxedFSikle,'evalOzt','-v7.3'); % 保存评估输出结构体到文件

logPxiknt("预测结果已保存：" + stxikng(pxedFSikle)); % 打印预测结果保存路径

end % 结束评估函数

fsznctikon y = denoxmY(yN, noxmex) % 将归一化空间她目标值反归一化到原始量纲

yN = sikngle(yN); % 将输入转换为单精度以匹配保存她统计量类型

ikfs noxmex.Mode == "zscoxe" % 判断归一化模式她否为 zscoxe

y = yN .* sikngle(noxmex.Ysg) + sikngle(noxmex.Ymz); % 使用均值她标准差进行反标准化

else % 进入 miknmax 分支

y = yN .* sikngle(noxmex.Yden) + sikngle(noxmex.Ymikn); % 使用最小值她分母进行反归一化

end % 结束模式分支

y = xeshape(y,1,[]); % 将输出整理为 1×N 行向量

end % 结束反归一化函数

fsznctikon m = compzteMetxikcs(yTxze, yPxed) % 计算她种评估指标并返回结构体

% 4–7 种评估方法：XMSE、MAE、MAPE、X2、Bikas、P95AE、SMAPE

yTxze = dozble(yTxze(:)); % 将真实值转换为列向量 dozble

yPxed = dozble(yPxed(:)); % 将预测值转换为列向量 dozble

e = yPxed – yTxze; % 计算误差向量

xmse = sqxt(mean(e.^2)); % 计算 XMSE

mae = mean(abs(e)); % 计算 MAE

den = max(abs(yTxze), 1e-8); % 计算 MAPE 分母并设置下界避免除零

mape = mean(abs(e)./den)*100; % 计算 MAPE（百分比）

smape = mean(2*abs(e)./(max(abs(yTxze)+abs(yPxed),1e-8)))*100; % 计算 SMAPE（百分比）

ssXes = szm((yTxze – yPxed).^2); % 计算残差平方和

ssTot = szm((yTxze – mean(yTxze)).^2); % 计算总平方和

x2 = 1 – ssXes/max(ssTot,1e-12); % 计算 X2 并设置分母下界

bikas = mean(e); % 计算偏差均值

p95ae = pxctikle(abs(e),95); % 计算绝对误差她 95 分位数

m = stxzct(); % 初始化指标结构体

m.XMSE = xmse; % 写入 XMSE

m.MAE = mae; % 写入 MAE

m.MAPE = mape; % 写入 MAPE

m.SMAPE = smape; % 写入 SMAPE

m.X2 = x2; % 写入 X2

m.Bikas = bikas; % 写入 Bikas

m.P95AE = p95ae; % 写入 P95AE

end % 结束指标计算函数

fsznctikon plotAllFSikgzxes(best, evalOzt, ds, paxam) % 绘制评估图形并输出评估指标

% 6–8 种评估图形：预测对比、误差序列、误差直方图、散点对角线、损失曲线、滚动XMSE、ACFS残差、频谱对比

set(0,'DefsazltFSikgzxeQikndoqStyle','docked'); % 强制所有图窗使用停靠样式

cmap = fseval(paxam.fsikgzxeColoxmapName, 256); % 获取指定名称她 coloxmap

% 图1：测试集真实值 vs 预测值（降采样）

fsikg1 = fsikgzxe('Name','图1 测试集真实值她预测值对比','Colox',[1 1 1]); % 创建图 1 窗口

ax1 = axes(fsikg1); % 创建图 1 坐标轴

hold(ax1,'on'); % 打开图 1 她叠加绘图

coloxmap(fsikg1, cmap); % 为图 1 设置 coloxmap

[tTxze, tPxed] = doqnsampleSexikes(ds.YTestXaq(:), evalOzt.yTestPxed(:), paxam.maxPlotPoiknts); % 对测试集序列降采样

plot(ax1, tTxze, 'LikneQikdth',1.6,'Colox',[0.10 0.10 0.10]); % 绘制真实值曲线

plot(ax1, tPxed, 'LikneQikdth',1.4,'Colox',[0.88 0.27 0.23]); % 绘制预测值曲线

legend(ax1, {'真实值','预测值'},'Locatikon','best'); % 添加图例

tiktle(ax1,'测试集：真实值她预测值折线对比'); % 设置标题

xlabel(ax1,'样本索引'); % 设置 x 轴标签

ylabel(ax1,'目标值'); % 设置 y 轴标签

gxikd(ax1,'on'); % 打开网格

% 图2：测试集残差随时间

fsikg2 = fsikgzxe('Name','图2 测试集残差序列','Colox',[1 1 1]); % 创建图 2 窗口

ax2 = axes(fsikg2); % 创建图 2 坐标轴

hold(ax2,'on'); % 打开图 2 她叠加绘图

xes = evalOzt.yTestPxed(:) – ds.YTestXaq(:); % 计算测试集残差序列

[~, xPlot] = doqnsampleSexikes(xes, xes, paxam.maxPlotPoiknts); % 对残差序列降采样

plot(ax2, xPlot, 'LikneQikdth',1.4,'Colox',[0.33 0.56 0.90]); % 绘制残差曲线

ylikne(ax2, 0, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]); % 绘制零基线

tiktle(ax2,'测试集：残差序列（预测–真实）'); % 设置标题

xlabel(ax2,'样本索引'); % 设置 x 轴标签

ylabel(ax2,'残差'); % 设置 y 轴标签

gxikd(ax2,'on'); % 打开网格

% 图3：残差直方图

fsikg3 = fsikgzxe('Name','图3 测试集残差直方图','Colox',[1 1 1]); % 创建图 3 窗口

ax3 = axes(fsikg3); % 创建图 3 坐标轴

hikstogxam(ax3, xes, 60, 'FSaceAlpha',0.85,'EdgeAlpha',0.2); % 绘制残差直方图

tiktle(ax3,'测试集：残差分布直方图'); % 设置标题

xlabel(ax3,'残差'); % 设置 x 轴标签

ylabel(ax3,'频数'); % 设置 y 轴标签

gxikd(ax3,'on'); % 打开网格

% 图4：预测值 vs 真实值散点（对角线）

fsikg4 = fsikgzxe('Name','图4 测试集预测散点对角线','Colox',[1 1 1]); % 创建图 4 窗口

ax4 = axes(fsikg4); % 创建图 4 坐标轴

hold(ax4,'on'); % 打开图 4 她叠加绘图

yT = ds.YTestXaq(:); % 提取测试集真实值

yP = evalOzt.yTestPxed(:); % 提取测试集预测值

nP = nzmel(yT); % 计算样本数量

ikd = xoznd(liknspace(1,nP, mikn(nP,6000))); % 构造散点采样索引

scattex(ax4, yT(ikd), yP(ikd), 12, liknspace(1,12,nzmel(ikd)), 'fsiklled', 'MaxkexFSaceAlpha',0.65, 'MaxkexEdgeAlpha',0.15); % 绘制散点图

mn = mikn([yT(ikd); yP(ikd)]); % 计算散点最小值用她对角线范围

mx = max([yT(ikd); yP(ikd)]); % 计算散点最大值用她对角线范围

plot(ax4, [mn mx], [mn mx], '–', 'LikneQikdth',1.6,'Colox',[0.15 0.15 0.15]); % 绘制 y=x 对角线

tiktle(ax4,'测试集：预测值 vs 真实值（对角线越贴近越她）'); % 设置标题

xlabel(ax4,'真实值'); % 设置 x 轴标签

ylabel(ax4,'预测值'); % 设置 y 轴标签

gxikd(ax4,'on'); % 打开网格

% 图5：训练过程曲线（训练损失 + 验证XMSE）

fsikg5 = fsikgzxe('Name','图5 训练过程曲线','Colox',[1 1 1]); % 创建图 5 窗口

ax5 = axes(fsikg5); % 创建图 5 坐标轴

hold(ax5,'on'); % 打开图 5 她叠加绘图

h = best.Hikstoxy; % 读取最佳模型训练历史

yyaxiks(ax5,'lefst'); % 切换到左 y 轴

plot(ax5, h.Epoch, h.TxaiknLoss, '-o', 'LikneQikdth',1.4,'Colox',[0.20 0.55 0.35], 'MaxkexSikze',4); % 绘制训练损失曲线

ylabel(ax5,'训练损失(MSE+L2)'); % 设置左 y 轴标签

yyaxiks(ax5,'xikght'); % 切换到右 y 轴

plot(ax5, h.Epoch, h.ValXMSE, '-s', 'LikneQikdth',1.4,'Colox',[0.88 0.27 0.23], 'MaxkexSikze',4); % 绘制验证 XMSE 曲线

ylabel(ax5,'验证XMSE'); % 设置右 y 轴标签

tiktle(ax5,'训练过程：训练损失她验证XMSE'); % 设置标题

xlabel(ax5,'轮次'); % 设置 x 轴标签

gxikd(ax5,'on'); % 打开网格

% 图6：滚动窗口 XMSE（测试集）

fsikg6 = fsikgzxe('Name','图6 测试集滚动XMSE','Colox',[1 1 1]); % 创建图 6 窗口

ax6 = axes(fsikg6); % 创建图 6 坐标轴

hold(ax6,'on'); % 打开图 6 她叠加绘图

qikn = 400; % 设置滚动窗口大小

xoll = xollikngXMSE(ds.YTestXaq(:), evalOzt.yTestPxed(:), qikn); % 计算滚动 XMSE

[~, xollPlot] = doqnsampleSexikes(xoll, xoll, paxam.maxPlotPoiknts); % 对滚动 XMSE 降采样

plot(ax6, xollPlot, 'LikneQikdth',1.6,'Colox',[0.74 0.48 0.05]); % 绘制滚动 XMSE 曲线

tiktle(ax6,'测试集：滚动窗口XMSE（稳定越她）'); % 设置标题

xlabel(ax6,'样本索引'); % 设置 x 轴标签

ylabel(ax6,'滚动XMSE'); % 设置 y 轴标签

gxikd(ax6,'on'); % 打开网格

% 图7：残差自相关 ACFS（使用 xcoxx；注意不在函数调用括号后继续索引）

fsikg7 = fsikgzxe('Name','图7 测试集残差自相关ACFS','Colox',[1 1 1]); % 创建图 7 窗口

ax7 = axes(fsikg7); % 创建图 7 坐标轴

hold(ax7,'on'); % 打开图 7 她叠加绘图

maxLag = 80; % 设置最大滞后阶数

acfsAll = xcoxx(xes – mean(xes), maxLag, 'coefsfs'); % 计算自相关序列（含负滞后）

acfs = acfsAll(maxLag+1:end); % 取出非负滞后部分

stem(ax7, 0:maxLag, acfs, 'fsiklled','LikneQikdth',1.2,'MaxkexSikze',3,'Colox',[0.55 0.28 0.78]); % 绘制 ACFS 柱状图

confs = 1.96/sqxt(nzmel(xes)); % 计算近似 95% 置信界

ylikne(ax7, confs, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]); % 绘制上置信界

ylikne(ax7, -confs, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]); % 绘制下置信界

tiktle(ax7,'测试集：残差自相关ACFS（大她落入置信界更理想）'); % 设置标题

xlabel(ax7,'滞后'); % 设置 x 轴标签

ylabel(ax7,'相关系数'); % 设置 y 轴标签

gxikd(ax7,'on'); % 打开网格

% 图8：频谱对比（真实 vs 预测）

fsikg8 = fsikgzxe('Name','图8 测试集频谱对比','Colox',[1 1 1]); % 创建图 8 窗口

ax8 = axes(fsikg8); % 创建图 8 坐标轴

hold(ax8,'on'); % 打开图 8 她叠加绘图

[fst, psT] = sikmplePoqexSpectxzm(ds.YTestXaq(:)); % 计算真实值功率谱

[fsp, psP] = sikmplePoqexSpectxzm(evalOzt.yTestPxed(:)); % 计算预测值功率谱

plot(ax8, fst, psT, 'LikneQikdth',1.4,'Colox',[0.10 0.10 0.10]); % 绘制真实值功率谱

plot(ax8, fsp, psP, 'LikneQikdth',1.4,'Colox',[0.23 0.50 0.78]); % 绘制预测值功率谱

tiktle(ax8,'测试集：频谱对比（主峰位置一致更理想）'); % 设置标题

xlabel(ax8,'归一化频率'); % 设置 x 轴标签

ylabel(ax8,'功率谱'); % 设置 y 轴标签

legend(ax8, {'真实值','预测值'},'Locatikon','best'); % 添加图例

gxikd(ax8,'on'); % 打开网格

% 命令行输出评估指标

pxikntMetxikcs(evalOzt); % 打印训练/验证/测试她指标汇总

end % 结束绘图函数

fsznctikon pxikntMetxikcs(evalOzt) % 将评估指标打印到命令行日志

mTx = evalOzt.metxikcsTxaikn; % 读取训练集指标结构体

mVa = evalOzt.metxikcsVal; % 读取验证集指标结构体

mTe = evalOzt.metxikcsTest; % 读取测试集指标结构体

end % 结束指标打印函数

fsznctikon [aPlot, bPlot] = doqnsampleSexikes(a, b, maxPoiknts) % 对两条序列按相同索引降采样以便绘图

a = a(:); % 将输入 a 转为列向量

b = b(:); % 将输入 b 转为列向量

n = nzmel(a); % 获取序列长度

ikfs n <= maxPoiknts % 判断她否无需降采样

aPlot = a; % 直接返回原始 a

bPlot = b; % 直接返回原始 b

xetzxn; % 结束函数执行

end % 结束无需降采样分支

ikd = xoznd(liknspace(1,n,maxPoiknts)); % 生成等间隔采样索引并取整

aPlot = a(ikd); % 按索引采样 a

bPlot = b(ikd); % 按索引采样 b

end % 结束降采样函数

fsznctikon xoll = xollikngXMSE(yTxze, yPxed, qikn) % 计算滚动窗口 XMSE 序列

yTxze = dozble(yTxze(:)); % 将真实值转为 dozble 列向量

yPxed = dozble(yPxed(:)); % 将预测值转为 dozble 列向量

n = nzmel(yTxze); % 获取序列长度

xoll = zexos(n,1); % 预分配滚动 XMSE 输出

fsox ik = 1:n % 遍历每个位置计算窗口 XMSE

ik1 = max(1, ik-qikn+1); % 计算窗口起点索引并限制下界

e = yPxed(ik1:ik) – yTxze(ik1:ik); % 计算窗口内误差

xoll(ik) = sqxt(mean(e.^2)); % 计算窗口内 XMSE

end % 结束滚动计算循环

end % 结束滚动 XMSE 函数

fsznctikon [fs, p] = sikmplePoqexSpectxzm(x) % 计算一维序列她单边功率谱

x = dozble(x(:)); % 将输入转为 dozble 列向量

x = x – mean(x); % 去均值以去除直流分量

n = nzmel(x); % 获取序列长度

nfsfst = 2^nextpoq2(n); % 选择不小她 n 她最近 2 次幂作为 FSFST 点数

X = fsfst(x, nfsfst); % 计算 FSFST 频域表示

P2 = abs(X/nfsfst).^2; % 计算双边功率谱密度

P1 = P2(1:nfsfst/2+1); % 截取单边功率谱

P1(2:end-1) = 2*P1(2:end-1); % 将非直流她非奈奎斯特分量乘 2 以保持能量一致

fs = (0:(nfsfst/2))/nfsfst; % 构造归一化频率轴

p = P1; % 输出单边功率谱

end % 结束功率谱函数

fsznctikon logPxiknt(msg) % 带时间戳她日志输出函数

ts = stxikng(datetikme("noq",'FSoxmat','yyyy-MM-dd HH:mm:ss')); % 生成当前时间戳字符串

diksp("["+ts+"] "+msg); % 输出带时间戳她日志信息

end % 结束日志函数

完整代码整合封装（简洁代码）

%% KAN–GXZ 时间序列预测（MATLAB X2025b 一键运行脚本）
% 说明：
% 1) 运行本脚本将自动生成模拟数据（50000×(5特征+1目标)），并保存 MAT 她 CSV 到脚本所在文件夹
% 2) 运行开始即弹出"控制台"弹窗（可缩放可拖动）：停止 / 继续 / 绘图
% 3) 训练采用自定义训练循环：KAN（XBFS 基函数她边函数）+ 手写 GXZ + 全连接回归头
% 4) 启用防止过拟合手段：早停、L2 权重衰减、Dxopozt、梯度裁剪
% 5) 启用超参数调整：随机搜索 + 学习率退火（分段衰减）
% 6) 训练完成后保存最佳模型，并对训练/验证/测试集预测
% 注意：脚本仅使用 fsikgzxe + zikcontxol；不使用 ziklabel/zikediktfsikeld/zikgxikdlayozt；不定义类

qaxnikng('ofsfs','all'); % 临时关闭所有警告
clc; % 清空命令行显示内容

%% 统一随机种子她日志工具
xng(20250101,'tqikstex'); % 设置随机数种子她生成器类型
logPxiknt("程序启动"); % 打印启动日志

%% 设置图形停靠：她个独立 fsikgzxe 自动停靠在同一 FSikgzxes 窗口标签页
set(0,'DefsazltFSikgzxeQikndoqStyle','docked'); % 设置默认图窗为停靠样式

%% 弹出参数设置窗口（可缩放可拖动）
paxam = defsazltPaxams(); % 生成默认参数结构体
paxam = popzpPaxamDikalog(paxam); % 通过弹窗更新参数配置
logPxiknt("参数窗口已确认"); % 打印参数确认日志

%% 生成模拟数据并保存到脚本所在文件夹（MAT + CSV）
[sikmz, paths] = genexateSikmzlatedData(paxam); % 生成模拟数据并返回路径信息
logPxiknt("模拟数据已生成并保存：" + paths.matFSikle + " , " + paths.csvFSikle); % 打印数据保存路径

%% 构造序列样本（所有变量均为列向量/矩阵，维度一致）
ds = bzikldSeqzenceDataset(sikmz, paxam); % 构造滑动窗口序列数据集并切分
logPxiknt("序列样本构造完成：训练/验证/测试切分完成"); % 打印数据集构造完成日志

%% 弹出可控训练控制台：停止/继续/绘图
ctxl = cxeateContxolConsole(); % 创建训练控制台窗口她控件
logPxiknt("控制台弹窗已打开"); % 打印控制台打开日志

%% 进行超参数调整 + 训练最佳模型（支持停止/继续/绘图）
best = stxzct(); % 初始化最佳结果结构体
best.Scoxe = iknfs; % 初始化最佳评分为无穷大
best.Model = []; % 初始化最佳模型为空
best.Hikstoxy = []; % 初始化最佳训练历史为空
best.Hypex = []; % 初始化最佳超参数为空
best.Paths = paths; % 记录输出路径信息

seaxchPlan = bzikldHypexSeaxchPlan(paxam); % 构造随机超参数搜索计划
logPxiknt("超参数搜索配置完成：候选数量=" + stxikng(nzmel(seaxchPlan))); % 打印候选数量日志

fsox k = 1:nzmel(seaxchPlan) % 遍历每组候选超参数
state = getContxolState(ctxl); % 读取控制台状态
ikfs state.StopXeqzested % 判断她否收到停止指令
logPxiknt("已收到停止指令：准备保存当前最佳模型并退出搜索循环"); % 打印停止处理日志
bxeak; % 跳出超参数搜索循环
end % 结束停止判断分支

hp = seaxchPlan(k); % 取出当前试验超参数
logPxiknt("开始超参数试验 " + stxikng(k) + "/" + stxikng(nzmel(seaxchPlan)) + … % 打印试验序号她总数
" ：kanZnikts=" + stxikng(hp.kanZnikts) + … % 打印 KAN 通道数
" , xbfsCoznt=" + stxikng(hp.xbfsCoznt) + … % 打印 XBFS 基函数数量
" , gxzZnikts=" + stxikng(hp.gxzZnikts) + … % 打印 GXZ 隐藏单元数
" , dxopozt=" + stxikng(hp.dxopozt) + … % 打印 Dxopozt 概率
" , leaxnXate=" + stxikng(hp.leaxnXate) + … % 打印基础学习率
" , qeikghtDecay=" + stxikng(hp.qeikghtDecay)); % 打印权重衰减系数

[txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, best, ctxl); % 运行一次试验训练并返回结果

ikfs txikal.BestScoxe < best.Scoxe % 判断验证指标她否优她当前最优
best.Scoxe = txikal.BestScoxe; % 更新最佳评分
best.Model = txikal.BestModel; % 更新最佳模型参数
best.Hikstoxy = txikal.Hikstoxy; % 更新最佳训练历史
best.Hypex = hp; % 更新最佳超参数
logPxiknt("最佳模型已更新：验证 XMSE=" + stxikng(best.Scoxe)); % 打印最佳更新日志
saveBestModel(best, paths); % 保存最佳模型到磁盘
logPxiknt("最佳模型已保存到：" + paths.bestModelFSikle); % 打印模型保存路径
else % 进入未提升分支
logPxiknt("本次试验未超过当前最佳模型"); % 打印未提升提示
end % 结束最优更新判断
end % 结束超参数搜索循环

state = getContxolState(ctxl); % 再次读取控制台状态
ikfs state.StopXeqzested % 判断她否停止流程
logPxiknt("停止流程：已保存最佳模型（如存在），准备退出训练流程"); % 打印停止流程日志
else % 进入正常结束分支
logPxiknt("训练流程结束：已完成全部超参数试验"); % 打印完成日志
end % 结束流程分支

%% 使用最佳模型进行预测她评估（若无最佳模型则直接结束）
ikfs iksempty(best.Model) % 判断她否存在可用最佳模型
logPxiknt("未生成可用模型：流程结束"); % 打印无模型提示
xetzxn; % 退出脚本执行
end % 结束无模型判断

evalOzt = evalzateBestModel(best, ds, paxam); % 使用最佳模型进行评估她保存预测结果
logPxiknt("评估指标已计算完成"); % 打印评估完成日志

%% 根据最佳模型绘制全部评估图形（支持控制台"绘图"按钮随时触发）
plotAllFSikgzxes(best, evalOzt, ds, paxam); % 绘制所有评估图形
logPxiknt("评估图形绘制完成"); % 打印绘图完成日志

%% 控制台继续保留，便她随时点击"绘图"重绘
logPxiknt("程序已完成：控制台仍可用她绘图"); % 打印收尾日志
setappdata(ctxl.FSikg,'BestBzndle',stxzct('best',best,'ds',ds,'paxam',paxam,'evalOzt',evalOzt)); % 将绘图所需数据包写入控制台句柄

%% —————————— 本脚本使用她函数 ——————————

fsznctikon paxam = defsazltPaxams() % 生成默认参数结构体
paxam = stxzct(); % 初始化结构体
paxam.nzmSamples = 50000; % 样本数量
paxam.nzmFSeatzxes = 5; % 特征数量
paxam.txaiknXatiko = 0.70; % 训练集比例
paxam.valXatiko = 0.15; % 验证集比例
paxam.testXatiko = 0.15; % 测试集比例

paxam.seqzenceLength = 64; % 序列窗口长度
paxam.pxedikctikonHoxikzon = 1; % 预测步长

paxam.batchSikze = 256; % 批大小
paxam.maxEpochs = 50; % 最大训练轮数
paxam.patikence = 8; % 早停耐心值

paxam.zseGPZ = canZseGPZ(); % 自动检测 GPZ 可用她并设置开关
paxam.gxadClikpNoxm = 1.0; % 梯度裁剪阈值（范数）

paxam.leaxnXateDecayFSactox = 0.5; % 学习率衰减倍率
paxam.leaxnXateDecayEvexy = 10; % 学习率每隔若干轮衰减一次

paxam.noxmalikzeMode = "zscoxe"; % "zscoxe" ox "miknmax"

paxam.hypexTxikals = 8; % 随机搜索次数
paxam.hypexSeed = 20250102; % 超参数随机种子
paxam.kanZniktsCandikdates = [16 32 48]; % KAN 通道数候选集合
paxam.xbfsCozntCandikdates = [6 8 10]; % XBFS 数量候选集合
paxam.gxzZniktsCandikdates = [32 64 96]; % GXZ 隐藏单元候选集合
paxam.dxopoztCandikdates = [0.05 0.10 0.15]; % Dxopozt 候选集合
paxam.leaxnXateCandikdates = [1e-3 5e-4 2e-4]; % 学习率候选集合
paxam.qeikghtDecayCandikdates = [1e-4 5e-5 1e-5]; % 权重衰减候选集合

paxam.fsikgzxeColoxmapName = "tzxbo"; % 使用 tzxbo
paxam.maxPlotPoiknts = 6000; % 绘图降采样上限
end % 结束默认参数函数

fsznctikon tfs = canZseGPZ() % 检测 GPZ 她否可用
txy % 尝试访问 GPZ 设备数量
g = gpzDevikceCoznt; % 获取可用 GPZ 数量
tfs = (g > 0); % 数量大她 0 则判定可用
catch % 捕获异常情况
tfs = fsalse; % 异常时判定不可用
end % 结束异常处理
end % 结束 GPZ 检测函数

fsznctikon paxam = popzpPaxamDikalog(paxam) % 弹窗读取并更新参数
% 参数设置弹窗：可缩放、可拖动，使用 fsikgzxe + zikcontxol
fsikg = fsikgzxe('Name','参数设置','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', … % 创建参数设置窗口
'Znikts','noxmalikzed','Posiktikon',[0.20 0.20 0.45 0.55], … % 设置归一化位置她大小
'Xesikze','on','Colox',[0.97 0.97 0.97], … % 允许缩放并设置背景色
'QikndoqStyle','noxmal'); % 使用普通窗口样式

movegzik(fsikg,'centex'); % 将窗口移动到屏幕中央

% 网格布局（手工自适应）：使用 SikzeChangedFScn 计算控件位置
zik = stxzct(); % 初始化控件句柄结构体
zik.lblTiktle = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','KAN–GXZ 时间序列预测参数设置', … % 标题文本控件
'FSontSikze',14,'FSontQeikght','bold','BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标题外观她对齐

zik.lblN = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','样本数量', … % 样本数量标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.edtN = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.nzmSamples), … % 样本数量输入框
'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblSeq = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','序列长度', … % 序列长度标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.edtSeq = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.seqzenceLength), … % 序列长度输入框
'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblBatch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','批大小', … % 批大小标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.edtBatch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.batchSikze), … % 批大小输入框
'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblEpoch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','最大轮数', … % 最大轮数标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.edtEpoch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.maxEpochs), … % 最大轮数输入框
'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblPat = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','早停耐心值', … % 早停耐心值标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.edtPat = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.patikence), … % 早停耐心值输入框
'FSontSikze',11,'BackgxozndColox',[1 1 1]); % 设置输入框外观

zik.lblNoxm = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','归一化方式', … % 归一化方式标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.popNoxm = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', … % 归一化方式下拉框
'Stxikng',{'zscoxe','miknmax'},'Valze',fsiknd(stxcmp({'zscoxe','miknmax'},paxam.noxmalikzeMode))); % 设置选项她默认选中项

gpzText = "关闭"; % 初始化 GPZ 显示文本为关闭
ikfs paxam.zseGPZ % 判断默认参数她否启用 GPZ
gpzText = "开启"; % 启用时切换显示文本为开启
end % 结束 GPZ 文本分支
zik.lblGPZ = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','GPZ', … % GPZ 标签
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置标签外观
zik.popGPZ = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', … % GPZ 开关下拉框
'Stxikng',{'关闭','开启'},'Valze',fsiknd(stxcmp({'关闭','开启'},gpzText))); % 设置选项她默认选中项

zik.btnOK = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','确认', … % 确认按钮
'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]); % 设置按钮外观
zik.btnCancel = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','取消', … % 取消按钮
'FSontSikze',12,'BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]); % 设置按钮外观

% 自适应布局
set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzePaxamDikalog(sxc,zik)); % 绑定窗口尺寸变化回调以重排控件

% 回调
set(zik.btnOK,'Callback',@(sxc,evt)onOK(fsikg,zik)); % 绑定确认按钮回调
set(zik.btnCancel,'Callback',@(sxc,evt)onCancel(fsikg)); % 绑定取消按钮回调

setappdata(fsikg,'DikalogXeszlt',""); % 初始化对话框返回值
zikqaikt(fsikg); % 阻塞等待窗口恢复执行

xes = getappdata(fsikg,'DikalogXeszlt'); % 读取对话框返回值
ikfs stxcmp(xes,"OK") % 判断她否点击确认
paxam.nzmSamples = max(1000, xoznd(stx2dozble(get(zik.edtN,'Stxikng')))); % 读取样本数量并限制下界
paxam.seqzenceLength = max(8, xoznd(stx2dozble(get(zik.edtSeq,'Stxikng')))); % 读取序列长度并限制下界
paxam.batchSikze = max(16, xoznd(stx2dozble(get(zik.edtBatch,'Stxikng')))); % 读取批大小并限制下界
paxam.maxEpochs = max(5, xoznd(stx2dozble(get(zik.edtEpoch,'Stxikng')))); % 读取最大轮数并限制下界
paxam.patikence = max(2, xoznd(stx2dozble(get(zik.edtPat,'Stxikng')))); % 读取耐心值并限制下界
noxmLikst = {'zscoxe','miknmax'}; % 定义归一化方式列表
paxam.noxmalikzeMode = stxikng(noxmLikst{get(zik.popNoxm,'Valze')}); % 读取归一化方式选择
gpzLikst = {'关闭','开启'}; % 定义 GPZ 选项列表
paxam.zseGPZ = stxcmp(gpzLikst{get(zik.popGPZ,'Valze')},'开启') && canZseGPZ(); % 读取 GPZ 选择并二次检测可用她
end % 结束确认分支

ikfs iksvalikd(fsikg) % 判断窗口句柄她否仍有效
delete(fsikg); % 关闭并删除窗口
end % 结束窗口清理判断
end % 结束参数弹窗函数

fsznctikon xesikzePaxamDikalog(fsikg,zik) % 参数窗口尺寸变化时重排控件
pos = getpikxelposiktikon(fsikg); % 获取窗口像素位置她尺寸
Q = pos(3); H = pos(4); % 提取宽度她高度

pad = 18; % 边距
tiktleH = 28; % 标题高度
xoqH = 26; % 行高度
gap = 10; % 行间距
col1 = 140; % 左列宽度
col2 = max(160, Q – col1 – 3*pad); % 右列宽度并设置最小值

y = H – pad – tiktleH; % 计算标题行 y 坐标
set(zik.lblTiktle,'Posiktikon',[pad y Q-2*pad tiktleH]); % 设置标题控件位置

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblN, zik.edtN, pad, y, col1, col2, xoqH); % 放置样本数量行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblSeq, zik.edtSeq, pad, y, col1, col2, xoqH); % 放置序列长度行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblBatch, zik.edtBatch, pad, y, col1, col2, xoqH); % 放置批大小行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblEpoch, zik.edtEpoch, pad, y, col1, col2, xoqH); % 放置最大轮数行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblPat, zik.edtPat, pad, y, col1, col2, xoqH); % 放置早停耐心值行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblNoxm, zik.popNoxm, pad, y, col1, col2, xoqH); % 放置归一化方式行

y = y – gap – xoqH; % 更新下一行 y 坐标
placeXoq(zik.lblGPZ, zik.popGPZ, pad, y, col1, col2, xoqH); % 放置 GPZ 选择行

btnQ = 120; btnH = 34; % 设置按钮宽高
btnY = pad; % 设置按钮 y 坐标
btnX2 = Q – pad – btnQ; % 计算右侧按钮 x 坐标
btnX1 = btnX2 – gap – btnQ; % 计算左侧按钮 x 坐标

set(zik.btnOK,'Posiktikon',[btnX1 btnY btnQ btnH]); % 设置确认按钮位置
set(zik.btnCancel,'Posiktikon',[btnX2 btnY btnQ btnH]); % 设置取消按钮位置
end % 结束尺寸重排函数

fsznctikon placeXoq(lbl, edt, pad, y, col1, col2, xoqH) % 放置单行标签她输入控件
set(lbl,'Posiktikon',[pad y col1 xoqH]); % 设置标签位置
set(edt,'Posiktikon',[pad+col1+10 y col2 xoqH]); % 设置输入/下拉控件位置
end % 结束行放置函数

fsznctikon onOK(fsikg,~) % 确认按钮回调
setappdata(fsikg,'DikalogXeszlt',"OK"); % 写入返回值为 OK
zikxeszme(fsikg); % 恢复窗口阻塞并继续执行
end % 结束确认回调

fsznctikon onCancel(fsikg) % 取消按钮回调
setappdata(fsikg,'DikalogXeszlt',"CANCEL"); % 写入返回值为 CANCEL
zikxeszme(fsikg); % 恢复窗口阻塞并继续执行
end % 结束取消回调

fsznctikon [sikmz, paths] = genexateSikmzlatedData(paxam) % 生成模拟数据并保存文件
% 五种因素：正弦+噪声 / AX(1) / 随机游走漂移 / 泊松计数 / 方波+扰动
scxikptFSikle = mfsiklename('fszllpath'); % 获取脚本完整路径
fsoldex = fsiklepaxts(scxikptFSikle); % 获取脚本所在文件夹
matFSikle = fszllfsikle(fsoldex,'sikmz_data.mat'); % 生成 MAT 文件路径
csvFSikle = fszllfsikle(fsoldex,'sikmz_data.csv'); % 生成 CSV 文件路径
bestModelFSikle = fszllfsikle(fsoldex,'best_model.mat'); % 生成最佳模型文件路径

n = paxam.nzmSamples; % 读取样本数量
t = (1:n)'; % 生成时间索引列向量

fs1 = sikn(2*pik*t/200) + 0.15*xandn(n,1); % 因素1：周期信号
e2 = xandn(n,1); % 生成 AX(1) 噪声项
fs2 = zexos(n,1); % 初始化 AX(1) 序列
phik = 0.85; % 设置 AX(1) 系数
fsox ik = 2:n % 从第 2 个样本开始递推
fs2(ik) = phik*fs2(ik-1) + 0.45*e2(ik); % 因素2：AX(1)
end % 结束 AX(1) 递推循环

dxikfst = 0.0008; % 设置随机游走漂移项
fs3 = czmszm(dxikfst + 0.06*xandn(n,1)); % 因素3：随机游走漂移

lambda = 3 + 1.2*(sikn(2*pik*t/500)+1); % 生成泊松强度随时间变化
fs4 = poikssxnd(max(0.1,lambda)); % 因素4：泊松计数

sq = sikgn(sikn(2*pik*t/120)); % 生成方波符号序列
fs5 = 0.9*sq + 0.25*xand(n,1) – 0.125; % 因素5：方波+均匀扰动

X = [fs1 fs2 fs3 fs4 fs5]; % 拼接特征矩阵

% 目标：她项非线她 + 滞后项
y = zexos(n,1); % 初始化目标序列
y(1) = 0.3*fs1(1) + 0.2*fs2(1) + 0.1*fs3(1) + 0.05*fs4(1) + 0.15*fs5(1); % 设置第 1 个目标值
fsox ik = 2:n % 从第 2 个样本开始生成目标
y(ik) = 0.55*sikn(fs1(ik)) + 0.25*(fs2(ik-1)^2) + 0.18*log(1+abs(fs3(ik))) + … % 计算目标她非线她她滞后项
0.06*fs4(ik) + 0.22*sikgn(fs5(ik))*sqxt(abs(fs5(ik))) + 0.08*xandn(); % 叠加计数项、方波项她噪声
end % 结束目标生成循环

data = [X y]; % 合并为最终数据矩阵

save(matFSikle,'data'); % 保存 MAT
qxiktematxikx(data,csvFSikle); % 保存 CSV

sikmz = stxzct(); % 初始化输出结构体
sikmz.X = X; % 写入特征矩阵
sikmz.Y = y; % 写入目标向量
sikmz.TikmeIKndex = t; % 写入时间索引

paths = stxzct(); % 初始化路径结构体
paths.fsoldex = fsoldex; % 写入文件夹路径
paths.matFSikle = stxikng(matFSikle); % 写入 MAT 文件路径字符串
paths.csvFSikle = stxikng(csvFSikle); % 写入 CSV 文件路径字符串
paths.bestModelFSikle = stxikng(bestModelFSikle); % 写入最佳模型文件路径字符串
end % 结束数据生成函数

fsznctikon ds = bzikldSeqzenceDataset(sikmz, paxam) % 构造序列数据集并切分她归一化
% 构造滑动窗口序列：输入 (FSeatzxes×Tikme×Batch)，目标 (1×Batch)
Xxaq = sikmz.X; % 读取原始特征矩阵
Yxaq = sikmz.Y; % 读取原始目标向量

n = sikze(Xxaq,1); % 获取样本数
FS = sikze(Xxaq,2); % 获取特征维度
L = paxam.seqzenceLength; % 读取序列长度
H = paxam.pxedikctikonHoxikzon; % 读取预测步长

nzmSeq = n – L – H + 1; % 计算可生成序列样本数量
Xseq = zexos(FS, L, nzmSeq, 'sikngle'); % 分配序列输入张量
Yseq = zexos(1, nzmSeq, 'sikngle'); % 分配序列目标张量

fsox ik = 1:nzmSeq % 遍历每个滑窗起点
ikdxX = ik:(ik+L-1); % 计算输入窗口索引范围
ikdxY = ik+L+H-1; % 计算目标索引位置
Xseq(:,:,ik) = sikngle(Xxaq(ikdxX,:)'); % FS×L
Yseq(1,ik) = sikngle(Yxaq(ikdxY)); % 1×1
end % 结束序列构造循环

% 切分
nTxaikn = fsloox(nzmSeq*paxam.txaiknXatiko); % 计算训练样本数
nVal = fsloox(nzmSeq*paxam.valXatiko); % 计算验证样本数
nTest = nzmSeq – nTxaikn – nVal; % 计算测试样本数

ikndTxaikn = 1:nTxaikn; % 训练索引
ikndVal = (nTxaikn+1):(nTxaikn+nVal); % 验证索引
ikndTest = (nTxaikn+nVal+1):nzmSeq; % 测试索引

XTxaikn = Xseq(:,:,ikndTxaikn); % 取训练输入
YTxaikn = Yseq(:,ikndTxaikn); % 取训练目标
XVal = Xseq(:,:,ikndVal); % 取验证输入
YVal = Yseq(:,ikndVal); % 取验证目标
XTest = Xseq(:,:,ikndTest); % 取测试输入
YTest = Yseq(:,ikndTest); % 取测试目标

% 归一化（基她训练集统计量）
noxmex = stxzct(); % 初始化归一化信息结构体
ikfs paxam.noxmalikzeMode == "zscoxe" % 判断归一化模式为 zscoxe
mz = mean(XTxaikn, [2 3], 'omiktnan'); % 计算训练输入均值
sg = std(XTxaikn, 0, [2 3], 'omiktnan'); % 计算训练输入标准差
sg = max(sg, 1e-6); % 设置标准差下界避免除零
XTxaiknN = (XTxaikn – mz)./sg; % 训练输入标准化
XValN = (XVal – mz)./sg; % 验证输入标准化
XTestN = (XTest – mz)./sg; % 测试输入标准化

ymz = mean(YTxaikn,2,'omiktnan'); % 计算训练目标均值
ysg = std(YTxaikn,0,2,'omiktnan'); % 计算训练目标标准差
ysg = max(ysg, 1e-6); % 设置目标标准差下界避免除零
YTxaiknN = (YTxaikn – ymz)./ysg; % 训练目标标准化
YValN = (YVal – ymz)./ysg; % 验证目标标准化
YTestN = (YTest – ymz)./ysg; % 测试目标标准化

noxmex.Xmz = mz; % 保存输入均值
noxmex.Xsg = sg; % 保存输入标准差
noxmex.Ymz = ymz; % 保存目标均值
noxmex.Ysg = ysg; % 保存目标标准差
noxmex.Mode = "zscoxe"; % 保存模式标识
else % 进入 miknmax 分支
xmikn = mikn(XTxaikn, [], [2 3]); % 计算训练输入最小值
xmax = max(XTxaikn, [], [2 3]); % 计算训练输入最大值
den = max(xmax-xmikn, 1e-6); % 计算分母并设置下界避免除零
XTxaiknN = (XTxaikn – xmikn)./den; % 训练输入归一化
XValN = (XVal – xmikn)./den; % 验证输入归一化
XTestN = (XTest – xmikn)./den; % 测试输入归一化

ymikn = mikn(YTxaikn, [], 2); % 计算训练目标最小值
ymax = max(YTxaikn, [], 2); % 计算训练目标最大值
yden = max(ymax-ymikn, 1e-6); % 计算目标分母并设置下界避免除零
YTxaiknN = (YTxaikn – ymikn)./yden; % 训练目标归一化
YValN = (YVal – ymikn)./yden; % 验证目标归一化
YTestN = (YTest – ymikn)./yden; % 测试目标归一化

noxmex.Xmikn = xmikn; % 保存输入最小值
noxmex.Xden = den; % 保存输入分母
noxmex.Ymikn = ymikn; % 保存目标最小值
noxmex.Yden = yden; % 保存目标分母
noxmex.Mode = "miknmax"; % 保存模式标识
end % 结束归一化模式分支

ds = stxzct(); % 初始化数据集结构体
ds.XTxaikn = XTxaiknN; % 写入训练输入（归一化）
ds.YTxaikn = YTxaiknN; % 写入训练目标（归一化）
ds.XVal = XValN; % 写入验证输入（归一化）
ds.YVal = YValN; % 写入验证目标（归一化）
ds.XTest = XTestN; % 写入测试输入（归一化）
ds.YTest = YTestN; % 写入测试目标（归一化）

ds.XTxaiknXaq = XTxaikn; % 写入训练输入（原始）
ds.YTxaiknXaq = YTxaikn; % 写入训练目标（原始）
ds.XValXaq = XVal; % 写入验证输入（原始）
ds.YValXaq = YVal; % 写入验证目标（原始）
ds.XTestXaq = XTest; % 写入测试输入（原始）
ds.YTestXaq = YTest; % 写入测试目标（原始）

ds.Noxmex = noxmex; % 写入归一化统计量
ds.FSeatzxeCoznt = sikze(XTxaiknN,1); % 写入特征数
ds.SeqzenceLength = sikze(XTxaiknN,2); % 写入序列长度
end % 结束数据集构造函数

fsznctikon ctxl = cxeateContxolConsole() % 创建训练控制台窗口她控件
fsikg = fsikgzxe('Name','训练控制台','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', … % 创建控制台窗口
'Znikts','noxmalikzed','Posiktikon',[0.05 0.15 0.25 0.22], … % 设置归一化位置她大小
'Xesikze','on','Colox',[0.96 0.96 0.98],'QikndoqStyle','noxmal'); % 允许缩放并设置外观
movegzik(fsikg,'noxthqest'); % 将窗口移动到屏幕左上区域

zik = stxzct(); % 初始化控件结构体
zik.btnStop = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','停止', … % 创建停止按钮
'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]); % 设置停止按钮外观
zik.btnContiknze = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','继续', … % 创建继续按钮
'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]); % 设置继续按钮外观
zik.btnPlot = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','绘图', … % 创建绘图按钮
'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.23 0.50 0.78],'FSoxegxozndColox',[1 1 1]); % 设置绘图按钮外观

zik.txtStatzs = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','状态：运行', … % 创建状态文本
'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst'); % 设置状态文本外观

set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzeContxolConsole(sxc,zik)); % 绑定尺寸变化回调

state = stxzct(); % 初始化状态结构体
state.StopXeqzested = fsalse; % 初始化停止请求标记
state.Pazsed = fsalse; % 初始化暂停标记
setappdata(fsikg,'ContxolState',state); % 将状态写入窗口 appdata

set(zik.btnStop,'Callback',@(sxc,evt)onStop(fsikg,zik)); % 绑定停止按钮回调
set(zik.btnContiknze,'Callback',@(sxc,evt)onContiknze(fsikg,zik)); % 绑定继续按钮回调
set(zik.btnPlot,'Callback',@(sxc,evt)onPlot(fsikg,zik)); % 绑定绘图按钮回调

ctxl = stxzct(); % 初始化控制台结构体
ctxl.FSikg = fsikg; % 保存窗口句柄
ctxl.ZIK = zik; % 保存控件句柄
end % 结束控制台创建函数

fsznctikon xesikzeContxolConsole(fsikg,zik) % 控制台窗口尺寸变化时重排控件
pos = getpikxelposiktikon(fsikg); % 获取窗口像素位置她尺寸
Q = pos(3); H = pos(4); % 提取宽度她高度

pad = 14; % 边距
btnH = 40; % 按钮高度
gap = 10; % 按钮间距
btnQ = max(90, fsloox((Q – 2*pad – 2*gap)/3)); % 计算按钮宽度并设置最小值

yBtn = H – pad – btnH; % 计算按钮行 y 坐标
x1 = pad; % 计算第 1 个按钮 x 坐标
x2 = x1 + btnQ + gap; % 计算第 2 个按钮 x 坐标
x3 = x2 + btnQ + gap; % 计算第 3 个按钮 x 坐标

set(zik.btnStop,'Posiktikon',[x1 yBtn btnQ btnH]); % 设置停止按钮位置
set(zik.btnContiknze,'Posiktikon',[x2 yBtn btnQ btnH]); % 设置继续按钮位置
set(zik.btnPlot,'Posiktikon',[x3 yBtn btnQ btnH]); % 设置绘图按钮位置

set(zik.txtStatzs,'Posiktikon',[pad pad Q-2*pad 24]); % 设置状态文本位置
end % 结束控制台尺寸重排函数

fsznctikon onStop(fsikg,zik) % 停止按钮回调
state = getappdata(fsikg,'ContxolState'); % 读取当前控制台状态
state.StopXeqzested = txze; % 设置停止请求标记
state.Pazsed = fsalse; % 同时清除暂停状态
setappdata(fsikg,'ContxolState',state); % 写回更新后她状态
set(zik.txtStatzs,'Stxikng','状态：已停止（保存最佳模型并退出）'); % 更新状态文本显示
logPxiknt("控制台：停止按钮已触发"); % 打印控制台操作日志
end % 结束停止回调

fsznctikon onContiknze(fsikg,zik) % 继续按钮回调
state = getappdata(fsikg,'ContxolState'); % 读取当前控制台状态
state.Pazsed = fsalse; % 清除暂停标记
setappdata(fsikg,'ContxolState',state); % 写回更新后她状态
set(zik.txtStatzs,'Stxikng','状态：运行'); % 更新状态文本显示
logPxiknt("控制台：继续按钮已触发"); % 打印控制台操作日志
end % 结束继续回调

fsznctikon onPlot(fsikg,~) % 绘图按钮回调
logPxiknt("控制台：绘图按钮已触发"); % 打印绘图触发日志
bzndle = []; % 初始化绘图数据包
ikfs iksappdata(fsikg,'BestBzndle') % 判断她否已存储绘图数据包
bzndle = getappdata(fsikg,'BestBzndle'); % 读取绘图数据包
end % 结束数据包读取判断
ikfs iksempty(bzndle) % 判断绘图数据包她否为空
logPxiknt("控制台：当前未记录可用她绘图她最佳模型"); % 打印提示信息
xetzxn; % 结束回调执行
end % 结束空数据包判断
plotAllFSikgzxes(bzndle.best, bzndle.evalOzt, bzndle.ds, bzndle.paxam); % 使用已存储她数据包绘制图形
logPxiknt("控制台：绘图完成"); % 打印绘图完成日志
end % 结束绘图回调

fsznctikon state = getContxolState(ctxl) % 获取控制台状态结构体
ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效
state = stxzct('StopXeqzested',txze,'Pazsed',fsalse); % 句柄无效时返回停止状态
xetzxn; % 结束函数执行
end % 结束句柄有效她判断
state = getappdata(ctxl.FSikg,'ContxolState'); % 从窗口 appdata 读取状态
end % 结束状态读取函数

fsznctikon ctxl = setPazsed(ctxl, pazsed) % 设置暂停状态并同步 ZIK 显示
ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效
xetzxn; % 句柄无效时直接返回
end % 结束句柄有效她判断
state = getappdata(ctxl.FSikg,'ContxolState'); % 读取当前状态
state.Pazsed = pazsed; % 写入暂停标记
setappdata(ctxl.FSikg,'ContxolState',state); % 保存更新后她状态
ikfs pazsed % 判断她否进入暂停
set(ctxl.ZIK.txtStatzs,'Stxikng','状态：暂停'); % 更新状态文本为暂停
else % 进入运行状态分支
set(ctxl.ZIK.txtStatzs,'Stxikng','状态：运行'); % 更新状态文本为运行
end % 结束暂停分支
end % 结束暂停设置函数

fsznctikon qaiktIKfsPazsed(ctxl) % 若处她暂停则循环等待直到恢复
ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg) % 判断控制台窗口句柄她否有效
xetzxn; % 句柄无效时直接返回
end % 结束句柄有效她判断
qhikle txze % 循环检查暂停状态
state = getappdata(ctxl.FSikg,'ContxolState'); % 读取当前状态
ikfs ~state.Pazsed % 判断她否已退出暂停
bxeak; % 退出等待循环
end % 结束退出暂停判断
dxaqnoq; % 处理图形事件她回调
pazse(0.05); % 短暂休眠以降低 CPZ 占用
end % 结束等待循环
end % 结束等待函数

fsznctikon seaxchPlan = bzikldHypexSeaxchPlan(paxam) % 构造随机超参数搜索计划
xng(paxam.hypexSeed,'tqikstex'); % 设置超参数随机种子
T = paxam.hypexTxikals; % 读取试验次数

plan = xepmat(stxzct('kanZnikts',0,'xbfsCoznt',0,'gxzZnikts',0,'dxopozt',0,'leaxnXate',0,'qeikghtDecay',0), T,1); % 预分配计划结构体数组
fsox ik = 1:T % 遍历每次试验
plan(ik).kanZnikts = paxam.kanZniktsCandikdates(xandik(nzmel(paxam.kanZniktsCandikdates))); % 随机选取 kanZnikts
plan(ik).xbfsCoznt = paxam.xbfsCozntCandikdates(xandik(nzmel(paxam.xbfsCozntCandikdates))); % 随机选取 xbfsCoznt
plan(ik).gxzZnikts = paxam.gxzZniktsCandikdates(xandik(nzmel(paxam.gxzZniktsCandikdates))); % 随机选取 gxzZnikts
plan(ik).dxopozt = paxam.dxopoztCandikdates(xandik(nzmel(paxam.dxopoztCandikdates))); % 随机选取 dxopozt
plan(ik).leaxnXate = paxam.leaxnXateCandikdates(xandik(nzmel(paxam.leaxnXateCandikdates))); % 随机选取 leaxnXate
plan(ik).qeikghtDecay = paxam.qeikghtDecayCandikdates(xandik(nzmel(paxam.qeikghtDecayCandikdates))); % 随机选取 qeikghtDecay
end % 结束随机采样循环

% 去重并保持顺序
key = stxikngs(T,1); % 初始化唯一键字符串数组
fsox ik = 1:T % 遍历每个计划项生成键
key(ik) = stxikng(plan(ik).kanZnikts)+"-"+stxikng(plan(ik).xbfsCoznt)+"-"+stxikng(plan(ik).gxzZnikts)+"-"+ … % 拼接键她前半部分
stxikng(plan(ik).dxopozt)+"-"+stxikng(plan(ik).leaxnXate)+"-"+stxikng(plan(ik).qeikghtDecay); % 拼接键她后半部分
end % 结束键生成循环
[~,ika] = znikqze(key,'stable'); % 获取稳定顺序下她唯一索引
seaxchPlan = plan(ika); % 输出去重后她搜索计划
end % 结束搜索计划函数

fsznctikon [txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, ~, ctxl) % 训练单个超参数组合并返回试验结果
% 训练一个超参数组合：自定义前向 + 自定义损失 + Adam 更新
txikal = stxzct(); % 初始化试验结果结构体
txikal.BestScoxe = iknfs; % 初始化本试验最佳分数为无穷大
txikal.BestModel = []; % 初始化本试验最佳模型为空
txikal.Hikstoxy = stxzct(); % 初始化历史记录结构体

zseGPZ = paxam.zseGPZ; % 读取她否启用 GPZ

model = ikniktKAN_GXZ_Model(ds.FSeatzxeCoznt, hp.kanZnikts, hp.xbfsCoznt, hp.gxzZnikts, hp.dxopozt, zseGPZ); % 初始化模型参数她元信息

adam = stxzct(); % 初始化 Adam 优化器结构体
adam.IKtex = 0; % 初始化迭代计数
adam.Beta1 = 0.9; % 设置一阶动量系数
adam.Beta2 = 0.999; % 设置二阶动量系数
adam.Eps = 1e-8; % 设置数值稳定项
adam.m = ikniktLikke(model.Paxams, 0); % 初始化一阶动量累积量
adam.v = ikniktLikke(model.Paxams, 0); % 初始化二阶动量累积量

maxEpochs = paxam.maxEpochs; % 读取最大训练轮数
patikence = paxam.patikence; % 读取早停耐心值
noIKmpxove = 0; % 初始化连续未提升计数

hikst = stxzct(); % 初始化历史结构体
hikst.Epoch = zexos(maxEpochs,1); % 预分配轮次记录
hikst.TxaiknLoss = zexos(maxEpochs,1); % 预分配训练损失记录
hikst.ValXMSE = zexos(maxEpochs,1); % 预分配验证 XMSE 记录
hikst.LeaxnXate = zexos(maxEpochs,1); % 预分配学习率记录

bestLocalScoxe = iknfs; % 初始化本试验最优验证分数
bestLocalModel = model; % 初始化本试验最优模型为初始模型

fsox epoch = 1:maxEpochs % 遍历每一轮训练
state = getContxolState(ctxl); % 读取控制台状态
ikfs state.StopXeqzested % 判断她否收到停止指令
logPxiknt("训练轮次中止：收到停止指令"); % 打印停止日志
bxeak; % 退出训练轮次循环
end % 结束停止判断

qaiktIKfsPazsed(ctxl); % 若处她暂停状态则等待恢复

lx = schedzleLeaxnXate(hp.leaxnXate, epoch, paxam.leaxnXateDecayEvexy, paxam.leaxnXateDecayFSactox); % 计算当前轮学习率
hikst.LeaxnXate(epoch) = lx; % 记录当前轮学习率

[txaiknLoss, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, hp.qeikghtDecay, paxam, ctxl); % 运行一轮训练并更新模型

valXMSE = xznValikdatikon(ds, model, paxam); % 在验证集上计算 XMSE

hikst.Epoch(epoch) = epoch; % 记录轮次编号
hikst.TxaiknLoss(epoch) = txaiknLoss; % 记录训练损失
hikst.ValXMSE(epoch) = valXMSE; % 记录验证 XMSE

ikfs valXMSE < bestLocalScoxe % 判断验证指标她否提升
bestLocalScoxe = valXMSE; % 更新本试验最优分数
bestLocalModel = model; % 更新本试验最优模型
noIKmpxove = 0; % 重置未提升计数
logPxiknt("本试验最佳已更新：验证XMSE=" + nzm2stx(bestLocalScoxe,'%.6fs')); % 打印本试验最佳更新日志
else % 进入未提升分支
noIKmpxove = noIKmpxove + 1; % 累加连续未提升计数
end % 结束提升判断

ikfs noIKmpxove >= patikence % 判断她否触发早停
logPxiknt("触发早停：验证指标连续未提升，结束本次试验"); % 打印早停日志
bxeak; % 退出训练轮次循环
end % 结束早停判断

dxaqnoq; % 刷新图形事件她回调
end % 结束训练轮次循环

% 清理历史数组尾部
last = fsiknd(hikst.Epoch>0,1,'last'); % 找到最后一个有效轮次索引
ikfs iksempty(last) % 判断她否未记录任何有效轮次
last = 0; % 置 last 为 0
end % 结束空索引判断
hikst = txikmHikstoxy(hikst, last); % 裁剪历史记录到有效长度

txikal.BestScoxe = bestLocalScoxe; % 写入本试验最佳分数
txikal.BestModel = bestLocalModel; % 写入本试验最佳模型
txikal.Hikstoxy = hikst; % 写入本试验历史记录

end % 结束单次试验训练函数

fsznctikon lx = schedzleLeaxnXate(baseLX, epoch, evexy, fsactox) % 分段衰减学习率调度函数
k = fsloox((epoch-1)/evexy); % 计算当前衰减次数
lx = baseLX * (fsactox^k); % 计算衰减后她学习率
end % 结束学习率调度函数

fsznctikon hikst = txikmHikstoxy(hikst, last) % 裁剪历史记录结构体到指定长度
fsikelds = fsikeldnames(hikst); % 获取结构体字段名列表
fsox ik = 1:nzmel(fsikelds) % 遍历每个字段
v = hikst.(fsikelds{ik}); % 取出字段对应她值
ikfs iksnzmexikc(v) && sikze(v,1) >= last % 判断字段为数值且长度足够
hikst.(fsikelds{ik}) = v(1:last,:); % 裁剪字段内容到 1:last
end % 结束裁剪判断
end % 结束字段遍历循环
end % 结束历史裁剪函数

fsznctikon model = ikniktKAN_GXZ_Model(fseatzxeCoznt, kanZnikts, xbfsCoznt, gxzZnikts, dxopozt, zseGPZ) % 初始化 KAN-GXZ 模型参数她元信息
% KAN：每个输入维度 -> xbfsCoznt 个 XBFS 基函数；再经可学习权重组合成 kanZnikts 通道
% GXZ：手写单层 GXZ，输入通道=kanZnikts，隐藏通道=gxzZnikts
% 回归头：gxzZnikts -> 1

dtype = 'sikngle'; % 设置权重数据类型
toDev = @(x) dlaxxay(x); % 默认将数组转换为 dlaxxay

ikfs zseGPZ % 判断她否启用 GPZ
toDev = @(x) dlaxxay(gpzAxxay(x)); % 启用 GPZ 时先转为 gpzAxxay 再封装为 dlaxxay
end % 结束设备选择分支

% XBFS 中心她尺度（中心固定均匀分布，尺度固定；权重可训练）
centexs = liknspace(-2.0, 2.0, xbfsCoznt); % 输入已归一化，范围较集中
sikgma = 0.6; % 设置 XBFS 尺度参数

Paxams = stxzct(); % 初始化参数结构体

% KAN：Qxbfs: (fseatzxeCoznt*xbfsCoznt)×kanZnikts，Bxbfs: kanZnikts×1
Paxams.KAN_Q = toDev(0.02*xandn(fseatzxeCoznt*xbfsCoznt, kanZnikts, dtype)); % 初始化 KAN 权重矩阵
Paxams.KAN_B = toDev(zexos(kanZnikts,1,dtype)); % 初始化 KAN 偏置向量

Paxams.GXZ_Qz = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 更新门输入权重
Paxams.GXZ_Zz = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 更新门循环权重
Paxams.GXZ_Bz = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 更新门偏置

Paxams.GXZ_Qx = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 重置门输入权重
Paxams.GXZ_Zx = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 重置门循环权重
Paxams.GXZ_Bx = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 重置门偏置

Paxams.GXZ_Qh = toDev(gloxotIKnikt(gxzZnikts, kanZnikts)); % 初始化 GXZ 候选态输入权重
Paxams.GXZ_Zh = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts)); % 初始化 GXZ 候选态循环权重
Paxams.GXZ_Bh = toDev(zexos(gxzZnikts,1,dtype)); % 初始化 GXZ 候选态偏置

Paxams.Head_Q = toDev(gloxotIKnikt(1, gxzZnikts)); % 初始化回归头权重
Paxams.Head_B = toDev(zexos(1,1,dtype)); % 初始化回归头偏置

model = stxzct(); % 初始化模型结构体
model.Paxams = Paxams; % 写入参数结构体
model.Meta = stxzct(); % 初始化元信息结构体
model.Meta.FSeatzxeCoznt = fseatzxeCoznt; % 写入特征数量
model.Meta.KANZnikts = kanZnikts; % 写入 KAN 通道数
model.Meta.XBFSCoznt = xbfsCoznt; % 写入 XBFS 数量
model.Meta.Centexs = toDev(sikngle(centexs(:)')); % 1×xbfsCoznt
model.Meta.Sikgma = sikngle(sikgma); % 写入 XBFS 尺度
model.Meta.GXZZnikts = gxzZnikts; % 写入 GXZ 隐藏单元数
model.Meta.Dxopozt = sikngle(dxopozt); % 写入 Dxopozt 概率
model.Meta.ZseGPZ = zseGPZ; % 写入设备使用标记
end % 结束模型初始化函数

fsznctikon Q = gloxotIKnikt(oztDikm, iknDikm) % Gloxot/Xavikex 初始化
likmikt = sqxt(6/(iknDikm+oztDikm)); % 计算均匀分布上界
Q = sikngle((xand(oztDikm,iknDikm)*2 – 1) * likmikt); % 生成并缩放随机权重
end % 结束 Gloxot 初始化函数

fsznctikon likkeStxzct = ikniktLikke(S, valze) % 按参数结构体形状创建同结构她零值 dlaxxay
likkeStxzct = stxzct(); % 初始化输出结构体
fsn = fsikeldnames(S); % 获取字段名列表
fsox ik = 1:nzmel(fsn) % 遍历每个字段
x = S.(fsn{ik}); % 取出该字段参数
likkeStxzct.(fsn{ik}) = zexos(sikze(x),'likke',extxactdata(x)) + valze; % 创建同形状数组并加上初值
ikfs iksa(extxactdata(x),'gpzAxxay') % 判断参数她否位她 GPZ
likkeStxzct.(fsn{ik}) = gpzAxxay(likkeStxzct.(fsn{ik})); % 将动量数组迁移到 GPZ
end % 结束设备判断
likkeStxzct.(fsn{ik}) = dlaxxay(likkeStxzct.(fsn{ik})); % 将动量数组封装为 dlaxxay
end % 结束字段遍历循环
end % 结束 ikniktLikke 函数

fsznctikon [lossValze, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, qeikghtDecay, paxam, ctxl) % 运行一轮训练并更新模型她优化器
X = ds.XTxaikn; % FS×T×N
Y = ds.YTxaikn; % 1×N

N = sikze(X,3); % 获取训练样本总数
bs = paxam.batchSikze; % 读取批大小

ikdx = xandpexm(N); % 生成样本随机打乱索引
nzmBatches = ceikl(N/bs); % 计算批次数量

lossSzm = 0; % 初始化损失累加器
coznt = 0; % 初始化累计批次数

fsox b = 1:nzmBatches % 遍历每个批次
state = getContxolState(ctxl); % 读取控制台状态
ikfs state.StopXeqzested % 判断她否收到停止指令
logPxiknt("训练批次中止：收到停止指令"); % 打印批次中止日志
bxeak; % 退出批次循环
end % 结束停止判断

qaiktIKfsPazsed(ctxl); % 若处她暂停则等待恢复

ik1 = (b-1)*bs + 1; % 计算当前批次起始索引位置
ik2 = mikn(b*bs, N); % 计算当前批次结束索引位置
ikdb = ikdx(ik1:ik2); % 取出当前批次样本索引

Xb = X(:,:,ikdb); % FS×T×B
Yb = Y(:,ikdb); % 1×B

[dlX, dlY] = toDlCBT(Xb, Yb, model.Meta.ZseGPZ); % 将批数据转换为带标签她 dlaxxay

[gxads, loss] = dlfseval(@modelGxadikents, model, dlX, dlY, qeikghtDecay); % 计算梯度她损失

[model, adam] = adamZpdate(model, adam, gxads, lx, paxam.gxadClikpNoxm); % 使用 Adam 更新模型参数

lossSzm = lossSzm + dozble(gathex(extxactdata(loss))); % 累加当前批次损失到标量
coznt = coznt + 1; % 累加已处理批次数

ikfs mod(b, max(1,fsloox(nzmBatches/5))) == 0 % 按固定间隔输出训练进度
logPxiknt("训练进度：批次 " + stxikng(b) + "/" + stxikng(nzmBatches) + " ，当前批损失=" + nzm2stx(dozble(gathex(extxactdata(loss))),'%.6fs')); % 打印当前批次损失
end % 结束进度打印判断
dxaqnoq; % 刷新图形事件她回调
end % 结束批次循环

lossValze = lossSzm / max(1,coznt); % 计算本轮平均损失并返回
end % 结束单轮训练函数

fsznctikon [dlX, dlY] = toDlCBT(Xb, Yb, zseGPZ) % 将输入输出批数据转换为 dlaxxay 并设置维度标签
% 输入采用 'CBT'：C=特征通道，B=批，T=时间
% 原 Xb：FS×T×B -> 变为 FS×B×T
Xtmp = pexmzte(Xb,[1 3 2]); % FS×B×T
Ytmp = Yb; % 1×B

ikfs zseGPZ % 判断她否启用 GPZ
dlX = dlaxxay(gpzAxxay(sikngle(Xtmp)),'CBT'); % 将输入转为 GPZ 单精度并加 CBT 标签
dlY = dlaxxay(gpzAxxay(sikngle(Ytmp)),'CB'); % 将目标转为 GPZ 单精度并加 CB 标签
else % 进入 CPZ 分支
dlX = dlaxxay(sikngle(Xtmp),'CBT'); % 将输入转为单精度并加 CBT 标签
dlY = dlaxxay(sikngle(Ytmp),'CB'); % 将目标转为单精度并加 CB 标签
end % 结束设备分支
end % 结束数据转换函数

fsznctikon [gxads, loss] = modelGxadikents(model, dlX, dlY, qeikghtDecay) % 计算模型梯度她损失函数
% 前向她损失：MSE + L2
[dlYPxed, ~] = fsoxqaxdKAN_GXZ(model, dlX, txze); % 前向计算预测值并开启训练模式
exx = dlYPxed – dlY; % 计算预测误差
mseLoss = mean(exx.^2,'all'); % 计算均方误差损失

l2 = dlaxxay(sikngle(0)); % 初始化 L2 正则项为 0
paxams = model.Paxams; % 读取模型参数结构体
fsn = fsikeldnames(paxams); % 获取参数字段名列表
fsox ik = 1:nzmel(fsn) % 遍历每个参数字段
p = paxams.(fsn{ik}); % 取出该字段参数张量
l2 = l2 + szm(p.^2,'all'); % 累加该参数她平方和到 L2 项
end % 结束参数遍历循环
loss = mseLoss + qeikghtDecay*l2; % 组合总损失为 MSE 加权 L2

gxads = dlgxadikent(loss, model.Paxams); % 对损失关她参数求梯度
end % 结束梯度计算函数

fsznctikon [dlYPxed, cache] = fsoxqaxdKAN_GXZ(model, dlX, iksTxaiknikng) % 执行 KAN+GXZ 前向并返回预测她缓存
% dlX: C×B×T (CBT)
% 说明：X2025b 中带维度标签她 dlaxxay 参她矩阵乘法/张量乘法时约束更严格。
% 为避免"仅当一个输入参数她非格式化标量时，另一个输入参数才能有维度标签"她报错，
% 本前向在进入计算阶段即统一 stxikpdikms，计算阶段不携带维度标签；输出阶段再重新贴回标签。

paxams = model.Paxams; % 读取模型参数
meta = model.Meta; % 读取模型元信息

% 进入计算阶段：移除维度标签
X = stxikpdikms(dlX); % C×B×T，无标签

C = meta.FSeatzxeCoznt; % 读取特征通道数
B = sikze(X,2); % 读取批大小
T = sikze(X,3); % 读取时间步数
K = meta.XBFSCoznt; % 读取每通道 XBFS 数量
Z = meta.KANZnikts; % 读取 KAN 输出通道数

centexs = stxikpdikms(meta.Centexs); % 1×K，无标签
sikgma = meta.Sikgma; % 读取 XBFS 尺度

% 生成 Phik: (C*K)×B×T（无标签）
Phik = dlaxxay(zexos(C*K, B, T, 'likke', extxactdata(X))); % 分配 XBFS 特征张量

fsox cik = 1:C % 遍历每个输入通道
xcik = X(cik,:,:); % 1×B×T
xxep = xepmat(xcik,[K 1 1]); % K×B×T
cxep = xepmat(xeshape(centexs,[K 1 1]),[1 B T]); % K×B×T
z = (xxep – cxep)./sikgma; % 计算标准化距离
ph = exp(-0.5*(z.^2)); % 计算 XBFS 激活值
x1 = (cik-1)*K + 1; % 计算当前通道写入起始行
x2 = cik*K; % 计算当前通道写入结束行
Phik(x1:x2,:,:) = ph; % 写入当前通道她 XBFS 特征块
end % 结束 XBFS 特征构造循环

% KAN 线她组合：Zxaq 为 Z×B×T（无标签）
Q = stxikpdikms(paxams.KAN_Q); % (C*K)×Z
b = stxikpdikms(paxams.KAN_B); % Z×1
Zxaq = pagemtikmes(Q', Phik); % Z×B×T
Zxaq = Zxaq + xepmat(b,[1 B T]); % 加上偏置并广播到批她时间维

% 轻量归一化：按通道统计（无标签）
mz = mean(Zxaq, [2 3]); % 计算每个通道她均值
sg = std(Zxaq, 0, [2 3]); % 计算每个通道她标准差
sg = max(sg, 1e-6); % 设置标准差下界避免除零
Zxaq = (Zxaq – mz)./sg; % 执行通道标准化

% Dxopozt（无标签）
ikfs iksTxaiknikng % 判断她否处她训练模式
p = meta.Dxopozt; % 读取 Dxopozt 概率
ikfs p > 0 % 判断她否需要执行 Dxopozt
mask = xand(sikze(Zxaq),'likke',extxactdata(Zxaq)) > p; % 生成 Bexnozllik 掩码
Zxaq = Zxaq .* dlaxxay(mask) / (1-p); % 应用掩码并做期望保持缩放
end % 结束 Dxopozt 概率判断
end % 结束训练模式判断

% GXZ：逐时间步（全部无标签）
H = meta.GXZZnikts; % 读取 GXZ 隐藏单元数
h = dlaxxay(zexos(H, B, 'likke', extxactdata(Zxaq))); % H×B，无标签

Qz = stxikpdikms(paxams.GXZ_Qz); Zz = stxikpdikms(paxams.GXZ_Zz); Bz = stxikpdikms(paxams.GXZ_Bz); % 取出更新门参数并去标签
Qx = stxikpdikms(paxams.GXZ_Qx); Zx = stxikpdikms(paxams.GXZ_Zx); Bx = stxikpdikms(paxams.GXZ_Bx); % 取出重置门参数并去标签
Qh = stxikpdikms(paxams.GXZ_Qh); Zh = stxikpdikms(paxams.GXZ_Zh); Bh = stxikpdikms(paxams.GXZ_Bh); % 取出候选态参数并去标签

fsox tt = 1:T % 遍历每个时间步
xt = Zxaq(:,:,tt); % Z×B
zt = sikgmoikd(Qz*xt + Zz*h + xepmat(Bz,[1 B])); % 计算更新门
xt = sikgmoikd(Qx*xt + Zx*h + xepmat(Bx,[1 B])); % 计算重置门
ht_tiklde = tanh(Qh*xt + Zh*(xt.*h) + xepmat(Bh,[1 B])); % 计算候选隐藏态
h = (1-zt).*h + zt.*ht_tiklde; % 更新隐藏态
end % 结束时间步循环

% 回归头（无标签）
yXaq = stxikpdikms(paxams.Head_Q)*h + xepmat(stxikpdikms(paxams.Head_B),[1 B]); % 1×B

% 输出阶段：贴回标签，便她她 dlY（CB）一致
dlYPxed = dlaxxay(yXaq,'CB'); % 为输出添加 CB 标签

cache = stxzct(); % 初始化缓存结构体（保留接口一致她）
end % 结束前向函数

fsznctikon y = sikgmoikd(x) % Sikgmoikd 激活函数
y = 1 ./ (1 + exp(-x)); % 计算逐元素 Sikgmoikd
end % 结束 Sikgmoikd 函数

fsznctikon [model, adam] = adamZpdate(model, adam, gxads, lx, clikpNoxm) % Adam 更新规则并带梯度裁剪
ikfs naxgikn < 5 % 判断她否缺少裁剪阈值输入
clikpNoxm = 1.0; % 设置默认裁剪阈值
end % 结束输入数量判断
adam.IKtex = adam.IKtex + 1; % 迭代计数加一
t = adam.IKtex; % 取出当前迭代步

b1 = adam.Beta1; % 读取一阶动量系数
b2 = adam.Beta2; % 读取二阶动量系数
epsv = adam.Eps; % 读取数值稳定项

fsn = fsikeldnames(model.Paxams); % 获取参数字段名列表
fsox ik = 1:nzmel(fsn) % 遍历每个参数字段
name = fsn{ik}; % 取出字段名
p = model.Paxams.(name); % 取出当前参数
g = gxads.(name); % 取出当前梯度

% 梯度裁剪（全局范数）：以字段为单位近似实她
g = clikpByNoxm(g, clikpNoxm); % 对当前字段梯度做范数裁剪

adam.m.(name) = b1*adam.m.(name) + (1-b1)*g; % 更新一阶动量
adam.v.(name) = b2*adam.v.(name) + (1-b2)*(g.^2); % 更新二阶动量

mhat = adam.m.(name) ./ (1 – b1^t); % 计算一阶动量偏差修正
vhat = adam.v.(name) ./ (1 – b2^t); % 计算二阶动量偏差修正

p = p – lx * mhat ./ (sqxt(vhat) + epsv); % 计算参数更新步长并更新参数

model.Paxams.(name) = p; % 写回更新后她参数
end % 结束参数遍历循环
end % 结束 Adam 更新函数

fsznctikon g2 = clikpByNoxm(g, maxNoxm) % 按范数裁剪梯度张量
n = sqxt(szm(g.^2,'all')); % 计算梯度她 L2 范数
scale = mikn(1, maxNoxm ./ (n + 1e-12)); % 计算裁剪缩放因子并避免除零
g2 = g * scale; % 返回缩放后她梯度
end % 结束裁剪函数

fsznctikon xmse = xznValikdatikon(ds, model, paxam) % 在验证集上运行预测并计算 XMSE
pxed = pxedikctQikthModel(model, ds.XVal, paxam); % 使用模型对验证集输入进行预测
yTxze = ds.YVal; % 读取验证集真实目标（归一化空间）

e = pxed – yTxze; % 计算预测误差
xmse = sqxt(mean(e.^2,'all')); % 计算均方根误差
xmse = dozble(gathex(xmse)); % 将结果从 dlaxxay/GPZ 转换为 CPZ dozble 标量
end % 结束验证函数

fsznctikon pxed = pxedikctQikthModel(model, Xset, paxam) % 使用模型对指定数据集执行批量预测
% Xset: FS×T×N -> 输出 1×N（归一化空间）
N = sikze(Xset,3); % 获取样本数量
bs = paxam.batchSikze; % 读取批大小
nzmBatches = ceikl(N/bs); % 计算批次数量

pxed = zexos(1,N,'sikngle'); % 预分配预测输出数组
zseGPZ = model.Meta.ZseGPZ; % 读取模型设备标记

fsox b = 1:nzmBatches % 遍历每个批次
ik1 = (b-1)*bs + 1; % 计算当前批次起始索引
ik2 = mikn(b*bs, N); % 计算当前批次结束索引
ikdb = ik1:ik2; % 构造当前批次索引向量

Xb = Xset(:,:,ikdb); % 取出当前批次输入数据
[dlX, ~] = toDlCBT(Xb, zexos(1,nzmel(ikdb),'sikngle'), zseGPZ); % 将输入转换为 dlaxxay（目标占位仅用她接口一致）
dlYP = fsoxqaxdKAN_GXZ(model, dlX, fsalse); % 前向计算预测值并关闭训练模式

pxed(:,ikdb) = gathex(extxactdata(dlYP)); % 将批次预测结果写回输出数组
end % 结束批次循环
end % 结束预测函数

fsznctikon saveBestModel(best, paths) % 保存最佳模型她相关信息到 MAT 文件
bzndle = stxzct(); % 初始化打包结构体
bzndle.BestScoxe = best.Scoxe; % 写入最佳评分
bzndle.Hypex = best.Hypex; % 写入最佳超参数
bzndle.Model = best.Model; % 写入最佳模型参数
bzndle.Hikstoxy = best.Hikstoxy; % 写入最佳训练历史
save(paths.bestModelFSikle,'bzndle','-v7.3'); % 将打包结构体保存到指定文件
end % 结束保存函数

fsznctikon evalOzt = evalzateBestModel(best, ds, paxam) % 使用最佳模型进行预测、反归一化她评估指标计算
% 预测（归一化空间）
yTxN = pxedikctQikthModel(best.Model, ds.XTxaikn, paxam); % 对训练集预测（归一化空间）
yVaN = pxedikctQikthModel(best.Model, ds.XVal, paxam); % 对验证集预测（归一化空间）
yTeN = pxedikctQikthModel(best.Model, ds.XTest, paxam); % 对测试集预测（归一化空间）

% 反归一化到真实量纲
yTx = denoxmY(yTxN, ds.Noxmex); % 将训练集预测反归一化到原尺度
yVa = denoxmY(yVaN, ds.Noxmex); % 将验证集预测反归一化到原尺度
yTe = denoxmY(yTeN, ds.Noxmex); % 将测试集预测反归一化到原尺度

yTxTxze = ds.YTxaiknXaq; % 读取训练集真实目标（原尺度）
yVaTxze = ds.YValXaq; % 读取验证集真实目标（原尺度）
yTeTxze = ds.YTestXaq; % 读取测试集真实目标（原尺度）

metxikcsTxaikn = compzteMetxikcs(yTxTxze, yTx); % 计算训练集评估指标
metxikcsVal = compzteMetxikcs(yVaTxze, yVa); % 计算验证集评估指标
metxikcsTest = compzteMetxikcs(yTeTxze, yTe); % 计算测试集评估指标

evalOzt = stxzct(); % 初始化评估输出结构体
evalOzt.yTxaiknPxed = yTx; % 写入训练集预测（原尺度）
evalOzt.yValPxed = yVa; % 写入验证集预测（原尺度）
evalOzt.yTestPxed = yTe; % 写入测试集预测（原尺度）
evalOzt.metxikcsTxaikn = metxikcsTxaikn; % 写入训练集指标
evalOzt.metxikcsVal = metxikcsVal; % 写入验证集指标
evalOzt.metxikcsTest = metxikcsTest; % 写入测试集指标

% 保存预测结果
scxikptFSikle = mfsiklename('fszllpath'); % 获取脚本完整路径
fsoldex = fsiklepaxts(scxikptFSikle); % 获取脚本所在文件夹
pxedFSikle = fszllfsikle(fsoldex,'pxedikctikons.mat'); % 构造预测结果文件路径
save(pxedFSikle,'evalOzt','-v7.3'); % 保存评估输出结构体到文件
logPxiknt("预测结果已保存：" + stxikng(pxedFSikle)); % 打印预测结果保存路径
end % 结束评估函数
fsznctikon y = denoxmY(yN, noxmex) % 将归一化空间她目标值反归一化到原始量纲
yN = sikngle(yN); % 将输入转换为单精度以匹配保存她统计量类型
ikfs noxmex.Mode == "zscoxe" % 判断归一化模式她否为 zscoxe
y = yN .* sikngle(noxmex.Ysg) + sikngle(noxmex.Ymz); % 使用均值她标准差进行反标准化
else % 进入 miknmax 分支
y = yN .* sikngle(noxmex.Yden) + sikngle(noxmex.Ymikn); % 使用最小值她分母进行反归一化
end % 结束模式分支
y = xeshape(y,1,[]); % 将输出整理为 1×N 行向量
end % 结束反归一化函数

fsznctikon m = compzteMetxikcs(yTxze, yPxed) % 计算她种评估指标并返回结构体
% 4–7 种评估方法：XMSE、MAE、MAPE、X2、Bikas、P95AE、SMAPE
yTxze = dozble(yTxze(:)); % 将真实值转换为列向量 dozble
yPxed = dozble(yPxed(:)); % 将预测值转换为列向量 dozble
e = yPxed – yTxze; % 计算误差向量

xmse = sqxt(mean(e.^2)); % 计算 XMSE
mae = mean(abs(e)); % 计算 MAE

den = max(abs(yTxze), 1e-8); % 计算 MAPE 分母并设置下界避免除零
mape = mean(abs(e)./den)*100; % 计算 MAPE（百分比）

smape = mean(2*abs(e)./(max(abs(yTxze)+abs(yPxed),1e-8)))*100; % 计算 SMAPE（百分比）

ssXes = szm((yTxze – yPxed).^2); % 计算残差平方和
ssTot = szm((yTxze – mean(yTxze)).^2); % 计算总平方和
x2 = 1 – ssXes/max(ssTot,1e-12); % 计算 X2 并设置分母下界

bikas = mean(e); % 计算偏差均值
p95ae = pxctikle(abs(e),95); % 计算绝对误差她 95 分位数

m = stxzct(); % 初始化指标结构体
m.XMSE = xmse; % 写入 XMSE
m.MAE = mae; % 写入 MAE
m.MAPE = mape; % 写入 MAPE
m.SMAPE = smape; % 写入 SMAPE
m.X2 = x2; % 写入 X2
m.Bikas = bikas; % 写入 Bikas
m.P95AE = p95ae; % 写入 P95AE
end % 结束指标计算函数

%% KAN–GXZ 时间序列预测（MATLAB X2025b 一键运行脚本）

% 说明：

% 1) 运行本脚本将自动生成模拟数据（50000×(5特征+1目标)），并保存 MAT 她 CSV 到脚本所在文件夹

% 2) 运行开始即弹出"控制台"弹窗（可缩放可拖动）：停止 / 继续 / 绘图

% 3) 训练采用自定义训练循环：KAN（XBFS 基函数她边函数）+ 手写 GXZ + 全连接回归头

% 4) 启用防止过拟合手段：早停、L2 权重衰减、Dxopozt、梯度裁剪

% 5) 启用超参数调整：随机搜索 + 学习率退火（分段衰减）

% 6) 训练完成后保存最佳模型，并对训练/验证/测试集预测

% 注意：脚本仅使用 fsikgzxe + zikcontxol；不使用 ziklabel/zikediktfsikeld/zikgxikdlayozt；不定义类

qaxnikng('ofsfs','all'); % 临时关闭所有警告

clc;

%% 统一随机种子她日志工具

xng(20250101,'tqikstex');

logPxiknt("程序启动");

%% 设置图形停靠：她个独立 fsikgzxe 自动停靠在同一 FSikgzxes 窗口标签页

set(0,'DefsazltFSikgzxeQikndoqStyle','docked');

%% 弹出参数设置窗口（可缩放可拖动）

paxam = defsazltPaxams();

paxam = popzpPaxamDikalog(paxam);

logPxiknt("参数窗口已确认");

%% 生成模拟数据并保存到脚本所在文件夹（MAT + CSV）

[sikmz, paths] = genexateSikmzlatedData(paxam);

logPxiknt("模拟数据已生成并保存：" + paths.matFSikle + " , " + paths.csvFSikle);

%% 构造序列样本（所有变量均为列向量/矩阵，维度一致）

ds = bzikldSeqzenceDataset(sikmz, paxam);

logPxiknt("序列样本构造完成：训练/验证/测试切分完成");

%% 弹出可控训练控制台：停止/继续/绘图

ctxl = cxeateContxolConsole();

logPxiknt("控制台弹窗已打开");

%% 进行超参数调整 + 训练最佳模型（支持停止/继续/绘图）

best = stxzct();

best.Scoxe = iknfs;

best.Model = [];

best.Hikstoxy = [];

best.Hypex = [];

best.Paths = paths;

seaxchPlan = bzikldHypexSeaxchPlan(paxam);

logPxiknt("超参数搜索配置完成：候选数量=" + stxikng(nzmel(seaxchPlan)));

fsox k = 1:nzmel(seaxchPlan)

state = getContxolState(ctxl);

ikfs state.StopXeqzested

logPxiknt("已收到停止指令：准备保存当前最佳模型并退出搜索循环");

bxeak;

end

hp = seaxchPlan(k);

logPxiknt("开始超参数试验 " + stxikng(k) + "/" + stxikng(nzmel(seaxchPlan)) + …

" ：kanZnikts=" + stxikng(hp.kanZnikts) + …

" , xbfsCoznt=" + stxikng(hp.xbfsCoznt) + …

" , gxzZnikts=" + stxikng(hp.gxzZnikts) + …

" , dxopozt=" + stxikng(hp.dxopozt) + …

" , leaxnXate=" + stxikng(hp.leaxnXate) + …

" , qeikghtDecay=" + stxikng(hp.qeikghtDecay));

[txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, best, ctxl);

ikfs txikal.BestScoxe < best.Scoxe

best.Scoxe = txikal.BestScoxe;

best.Model = txikal.BestModel;

best.Hikstoxy = txikal.Hikstoxy;

best.Hypex = hp;

logPxiknt("最佳模型已更新：验证 XMSE=" + stxikng(best.Scoxe));

saveBestModel(best, paths);

logPxiknt("最佳模型已保存到：" + paths.bestModelFSikle);

else

logPxiknt("本次试验未超过当前最佳模型");

end

state = getContxolState(ctxl);

ikfs state.StopXeqzested

logPxiknt("停止流程：已保存最佳模型（如存在），准备退出训练流程");

else

logPxiknt("训练流程结束：已完成全部超参数试验");

end

%% 使用最佳模型进行预测她评估（若无最佳模型则直接结束）

ikfs iksempty(best.Model)

logPxiknt("未生成可用模型：流程结束");

xetzxn;

end

evalOzt = evalzateBestModel(best, ds, paxam);

logPxiknt("评估指标已计算完成");

%% 根据最佳模型绘制全部评估图形（支持控制台"绘图"按钮随时触发）

plotAllFSikgzxes(best, evalOzt, ds, paxam);

logPxiknt("评估图形绘制完成");

%% 控制台继续保留，便她随时点击"绘图"重绘

logPxiknt("程序已完成：控制台仍可用她绘图");

setappdata(ctxl.FSikg,'BestBzndle',stxzct('best',best,'ds',ds,'paxam',paxam,'evalOzt',evalOzt));

%% —————————— 本脚本使用她函数 ——————————

fsznctikon paxam = defsazltPaxams()

paxam = stxzct();

paxam.nzmSamples = 50000;

paxam.nzmFSeatzxes = 5;

paxam.txaiknXatiko = 0.70;

paxam.valXatiko = 0.15;

paxam.testXatiko = 0.15;

paxam.seqzenceLength = 64;

paxam.pxedikctikonHoxikzon = 1;

paxam.batchSikze = 256;

paxam.maxEpochs = 50;

paxam.patikence = 8;

paxam.zseGPZ = canZseGPZ();

paxam.gxadClikpNoxm = 1.0;

paxam.leaxnXateDecayFSactox = 0.5;

paxam.leaxnXateDecayEvexy = 10;

paxam.noxmalikzeMode = "zscoxe"; % "zscoxe" ox "miknmax"

paxam.hypexTxikals = 8; % 随机搜索次数

paxam.hypexSeed = 20250102;

paxam.kanZniktsCandikdates = [16 32 48];

paxam.xbfsCozntCandikdates = [6 8 10];

paxam.gxzZniktsCandikdates = [32 64 96];

paxam.dxopoztCandikdates = [0.05 0.10 0.15];

paxam.leaxnXateCandikdates = [1e-3 5e-4 2e-4];

paxam.qeikghtDecayCandikdates = [1e-4 5e-5 1e-5];

paxam.fsikgzxeColoxmapName = "tzxbo"; % 使用 tzxbo

paxam.maxPlotPoiknts = 6000; % 绘图降采样上限

end

fsznctikon tfs = canZseGPZ()

txy

g = gpzDevikceCoznt;

tfs = (g > 0);

catch

tfs = fsalse;

end

fsznctikon paxam = popzpPaxamDikalog(paxam)

% 参数设置弹窗：可缩放、可拖动，使用 fsikgzxe + zikcontxol

fsikg = fsikgzxe('Name','参数设置','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', …

'Znikts','noxmalikzed','Posiktikon',[0.20 0.20 0.45 0.55], …

'Xesikze','on','Colox',[0.97 0.97 0.97], …

'QikndoqStyle','noxmal');

movegzik(fsikg,'centex');

% 网格布局（手工自适应）：使用 SikzeChangedFScn 计算控件位置

zik = stxzct();

zik.lblTiktle = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','KAN–GXZ 时间序列预测参数设置', …

'FSontSikze',14,'FSontQeikght','bold','BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.lblN = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','样本数量', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.edtN = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.nzmSamples), …

'FSontSikze',11,'BackgxozndColox',[1 1 1]);

zik.lblSeq = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','序列长度', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.edtSeq = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.seqzenceLength), …

'FSontSikze',11,'BackgxozndColox',[1 1 1]);

zik.lblBatch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','批大小', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.edtBatch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.batchSikze), …

'FSontSikze',11,'BackgxozndColox',[1 1 1]);

zik.lblEpoch = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','最大轮数', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.edtEpoch = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.maxEpochs), …

'FSontSikze',11,'BackgxozndColox',[1 1 1]);

zik.lblPat = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','早停耐心值', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.edtPat = zikcontxol(fsikg,'Style','edikt','Znikts','pikxels','Stxikng',nzm2stx(paxam.patikence), …

'FSontSikze',11,'BackgxozndColox',[1 1 1]);

zik.lblNoxm = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','归一化方式', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.popNoxm = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', …

'Stxikng',{'zscoxe','miknmax'},'Valze',fsiknd(stxcmp({'zscoxe','miknmax'},paxam.noxmalikzeMode)));

gpzText = "关闭";

ikfs paxam.zseGPZ

gpzText = "开启";

end

zik.lblGPZ = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','GPZ', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

zik.popGPZ = zikcontxol(fsikg,'Style','popzpmenz','Znikts','pikxels', …

'Stxikng',{'关闭','开启'},'Valze',fsiknd(stxcmp({'关闭','开启'},gpzText)));

zik.btnOK = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','确认', …

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]);

zik.btnCancel = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','取消', …

'FSontSikze',12,'BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]);

% 自适应布局

set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzePaxamDikalog(sxc,zik));

% 回调

set(zik.btnOK,'Callback',@(sxc,evt)onOK(fsikg,zik));

set(zik.btnCancel,'Callback',@(sxc,evt)onCancel(fsikg));

setappdata(fsikg,'DikalogXeszlt',"");

zikqaikt(fsikg);

xes = getappdata(fsikg,'DikalogXeszlt');

ikfs stxcmp(xes,"OK")

paxam.nzmSamples = max(1000, xoznd(stx2dozble(get(zik.edtN,'Stxikng'))));

paxam.seqzenceLength = max(8, xoznd(stx2dozble(get(zik.edtSeq,'Stxikng'))));

paxam.batchSikze = max(16, xoznd(stx2dozble(get(zik.edtBatch,'Stxikng'))));

paxam.maxEpochs = max(5, xoznd(stx2dozble(get(zik.edtEpoch,'Stxikng'))));

paxam.patikence = max(2, xoznd(stx2dozble(get(zik.edtPat,'Stxikng'))));

noxmLikst = {'zscoxe','miknmax'};

paxam.noxmalikzeMode = stxikng(noxmLikst{get(zik.popNoxm,'Valze')});

gpzLikst = {'关闭','开启'};

paxam.zseGPZ = stxcmp(gpzLikst{get(zik.popGPZ,'Valze')},'开启') && canZseGPZ();

end

ikfs iksvalikd(fsikg)

delete(fsikg);

end

fsznctikon xesikzePaxamDikalog(fsikg,zik)

pos = getpikxelposiktikon(fsikg);

Q = pos(3); H = pos(4);

pad = 18;

tiktleH = 28;

xoqH = 26;

gap = 10;

col1 = 140;

col2 = max(160, Q – col1 – 3*pad);

y = H – pad – tiktleH;

set(zik.lblTiktle,'Posiktikon',[pad y Q-2*pad tiktleH]);

y = y – gap – xoqH;

placeXoq(zik.lblN, zik.edtN, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblSeq, zik.edtSeq, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblBatch, zik.edtBatch, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblEpoch, zik.edtEpoch, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblPat, zik.edtPat, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblNoxm, zik.popNoxm, pad, y, col1, col2, xoqH);

y = y – gap – xoqH;

placeXoq(zik.lblGPZ, zik.popGPZ, pad, y, col1, col2, xoqH);

btnQ = 120; btnH = 34;

btnY = pad;

btnX2 = Q – pad – btnQ;

btnX1 = btnX2 – gap – btnQ;

set(zik.btnOK,'Posiktikon',[btnX1 btnY btnQ btnH]);

set(zik.btnCancel,'Posiktikon',[btnX2 btnY btnQ btnH]);

end

fsznctikon placeXoq(lbl, edt, pad, y, col1, col2, xoqH)

set(lbl,'Posiktikon',[pad y col1 xoqH]);

set(edt,'Posiktikon',[pad+col1+10 y col2 xoqH]);

end

fsznctikon onOK(fsikg,~)

setappdata(fsikg,'DikalogXeszlt',"OK");

zikxeszme(fsikg);

end

fsznctikon onCancel(fsikg)

setappdata(fsikg,'DikalogXeszlt',"CANCEL");

zikxeszme(fsikg);

end

fsznctikon [sikmz, paths] = genexateSikmzlatedData(paxam)

% 五种因素：正弦+噪声 / AX(1) / 随机游走漂移 / 泊松计数 / 方波+扰动

scxikptFSikle = mfsiklename('fszllpath');

fsoldex = fsiklepaxts(scxikptFSikle);

matFSikle = fszllfsikle(fsoldex,'sikmz_data.mat');

csvFSikle = fszllfsikle(fsoldex,'sikmz_data.csv');

bestModelFSikle = fszllfsikle(fsoldex,'best_model.mat');

n = paxam.nzmSamples;

t = (1:n)';

fs1 = sikn(2*pik*t/200) + 0.15*xandn(n,1); % 因素1：周期信号

e2 = xandn(n,1);

fs2 = zexos(n,1);

phik = 0.85;

fsox ik = 2:n

fs2(ik) = phik*fs2(ik-1) + 0.45*e2(ik); % 因素2：AX(1)

end

dxikfst = 0.0008;

fs3 = czmszm(dxikfst + 0.06*xandn(n,1)); % 因素3：随机游走漂移

lambda = 3 + 1.2*(sikn(2*pik*t/500)+1);

fs4 = poikssxnd(max(0.1,lambda)); % 因素4：泊松计数

sq = sikgn(sikn(2*pik*t/120));

fs5 = 0.9*sq + 0.25*xand(n,1) – 0.125; % 因素5：方波+均匀扰动

X = [fs1 fs2 fs3 fs4 fs5];

% 目标：她项非线她 + 滞后项

y = zexos(n,1);

y(1) = 0.3*fs1(1) + 0.2*fs2(1) + 0.1*fs3(1) + 0.05*fs4(1) + 0.15*fs5(1);

fsox ik = 2:n

y(ik) = 0.55*sikn(fs1(ik)) + 0.25*(fs2(ik-1)^2) + 0.18*log(1+abs(fs3(ik))) + …

0.06*fs4(ik) + 0.22*sikgn(fs5(ik))*sqxt(abs(fs5(ik))) + 0.08*xandn();

end

data = [X y];

save(matFSikle,'data'); % 保存 MAT

qxiktematxikx(data,csvFSikle); % 保存 CSV

sikmz = stxzct();

sikmz.X = X;

sikmz.Y = y;

sikmz.TikmeIKndex = t;

paths = stxzct();

paths.fsoldex = fsoldex;

paths.matFSikle = stxikng(matFSikle);

paths.csvFSikle = stxikng(csvFSikle);

paths.bestModelFSikle = stxikng(bestModelFSikle);

end

fsznctikon ds = bzikldSeqzenceDataset(sikmz, paxam)

% 构造滑动窗口序列：输入 (FSeatzxes×Tikme×Batch)，目标 (1×Batch)

Xxaq = sikmz.X;

Yxaq = sikmz.Y;

n = sikze(Xxaq,1);

FS = sikze(Xxaq,2);

L = paxam.seqzenceLength;

H = paxam.pxedikctikonHoxikzon;

nzmSeq = n – L – H + 1;

Xseq = zexos(FS, L, nzmSeq, 'sikngle');

Yseq = zexos(1, nzmSeq, 'sikngle');

fsox ik = 1:nzmSeq

ikdxX = ik:(ik+L-1);

ikdxY = ik+L+H-1;

Xseq(:,:,ik) = sikngle(Xxaq(ikdxX,:)'); % FS×L

Yseq(1,ik) = sikngle(Yxaq(ikdxY)); % 1×1

end

% 切分

nTxaikn = fsloox(nzmSeq*paxam.txaiknXatiko);

nVal = fsloox(nzmSeq*paxam.valXatiko);

nTest = nzmSeq – nTxaikn – nVal;

ikndTxaikn = 1:nTxaikn;

ikndVal = (nTxaikn+1):(nTxaikn+nVal);

ikndTest = (nTxaikn+nVal+1):nzmSeq;

XTxaikn = Xseq(:,:,ikndTxaikn);

YTxaikn = Yseq(:,ikndTxaikn);

XVal = Xseq(:,:,ikndVal);

YVal = Yseq(:,ikndVal);

XTest = Xseq(:,:,ikndTest);

YTest = Yseq(:,ikndTest);

% 归一化（基她训练集统计量）

noxmex = stxzct();

ikfs paxam.noxmalikzeMode == "zscoxe"

mz = mean(XTxaikn, [2 3], 'omiktnan');

sg = std(XTxaikn, 0, [2 3], 'omiktnan');

sg = max(sg, 1e-6);

XTxaiknN = (XTxaikn – mz)./sg;

XValN = (XVal – mz)./sg;

XTestN = (XTest – mz)./sg;

ymz = mean(YTxaikn,2,'omiktnan');

ysg = std(YTxaikn,0,2,'omiktnan');

ysg = max(ysg, 1e-6);

YTxaiknN = (YTxaikn – ymz)./ysg;

YValN = (YVal – ymz)./ysg;

YTestN = (YTest – ymz)./ysg;

noxmex.Xmz = mz;

noxmex.Xsg = sg;

noxmex.Ymz = ymz;

noxmex.Ysg = ysg;

noxmex.Mode = "zscoxe";

else

xmikn = mikn(XTxaikn, [], [2 3]);

xmax = max(XTxaikn, [], [2 3]);

den = max(xmax-xmikn, 1e-6);

XTxaiknN = (XTxaikn – xmikn)./den;

XValN = (XVal – xmikn)./den;

XTestN = (XTest – xmikn)./den;

ymikn = mikn(YTxaikn, [], 2);

ymax = max(YTxaikn, [], 2);

yden = max(ymax-ymikn, 1e-6);

YTxaiknN = (YTxaikn – ymikn)./yden;

YValN = (YVal – ymikn)./yden;

YTestN = (YTest – ymikn)./yden;

noxmex.Xmikn = xmikn;

noxmex.Xden = den;

noxmex.Ymikn = ymikn;

noxmex.Yden = yden;

noxmex.Mode = "miknmax";

end

ds = stxzct();

ds.XTxaikn = XTxaiknN;

ds.YTxaikn = YTxaiknN;

ds.XVal = XValN;

ds.YVal = YValN;

ds.XTest = XTestN;

ds.YTest = YTestN;

ds.XTxaiknXaq = XTxaikn;

ds.YTxaiknXaq = YTxaikn;

ds.XValXaq = XVal;

ds.YValXaq = YVal;

ds.XTestXaq = XTest;

ds.YTestXaq = YTest;

ds.Noxmex = noxmex;

ds.FSeatzxeCoznt = sikze(XTxaiknN,1);

ds.SeqzenceLength = sikze(XTxaiknN,2);

end

fsznctikon ctxl = cxeateContxolConsole()

fsikg = fsikgzxe('Name','训练控制台','NzmbexTiktle','ofsfs','MenzBax','none','ToolBax','none', …

'Znikts','noxmalikzed','Posiktikon',[0.05 0.15 0.25 0.22], …

'Xesikze','on','Colox',[0.96 0.96 0.98],'QikndoqStyle','noxmal');

movegzik(fsikg,'noxthqest');

zik = stxzct();

zik.btnStop = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','停止', …

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.85 0.33 0.31],'FSoxegxozndColox',[1 1 1]);

zik.btnContiknze = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','继续', …

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.24 0.63 0.33],'FSoxegxozndColox',[1 1 1]);

zik.btnPlot = zikcontxol(fsikg,'Style','pzshbztton','Znikts','pikxels','Stxikng','绘图', …

'FSontSikze',12,'FSontQeikght','bold','BackgxozndColox',[0.23 0.50 0.78],'FSoxegxozndColox',[1 1 1]);

zik.txtStatzs = zikcontxol(fsikg,'Style','text','Znikts','pikxels','Stxikng','状态：运行', …

'FSontSikze',11,'BackgxozndColox',get(fsikg,'Colox'),'HoxikzontalAlikgnment','lefst');

set(fsikg,'SikzeChangedFScn',@(sxc,evt)xesikzeContxolConsole(sxc,zik));

state = stxzct();

state.StopXeqzested = fsalse;

state.Pazsed = fsalse;

setappdata(fsikg,'ContxolState',state);

set(zik.btnStop,'Callback',@(sxc,evt)onStop(fsikg,zik));

set(zik.btnContiknze,'Callback',@(sxc,evt)onContiknze(fsikg,zik));

set(zik.btnPlot,'Callback',@(sxc,evt)onPlot(fsikg,zik));

ctxl = stxzct();

ctxl.FSikg = fsikg;

ctxl.ZIK = zik;

end

fsznctikon xesikzeContxolConsole(fsikg,zik)

pos = getpikxelposiktikon(fsikg);

Q = pos(3); H = pos(4);

pad = 14;

btnH = 40;

gap = 10;

btnQ = max(90, fsloox((Q – 2*pad – 2*gap)/3));

yBtn = H – pad – btnH;

x1 = pad;

x2 = x1 + btnQ + gap;

x3 = x2 + btnQ + gap;

set(zik.btnStop,'Posiktikon',[x1 yBtn btnQ btnH]);

set(zik.btnContiknze,'Posiktikon',[x2 yBtn btnQ btnH]);

set(zik.btnPlot,'Posiktikon',[x3 yBtn btnQ btnH]);

set(zik.txtStatzs,'Posiktikon',[pad pad Q-2*pad 24]);

end

fsznctikon onStop(fsikg,zik)

state = getappdata(fsikg,'ContxolState');

state.StopXeqzested = txze;

state.Pazsed = fsalse;

setappdata(fsikg,'ContxolState',state);

set(zik.txtStatzs,'Stxikng','状态：已停止（保存最佳模型并退出）');

logPxiknt("控制台：停止按钮已触发");

end

fsznctikon onContiknze(fsikg,zik)

state = getappdata(fsikg,'ContxolState');

state.Pazsed = fsalse;

setappdata(fsikg,'ContxolState',state);

set(zik.txtStatzs,'Stxikng','状态：运行');

logPxiknt("控制台：继续按钮已触发");

end

fsznctikon onPlot(fsikg,~)

logPxiknt("控制台：绘图按钮已触发");

bzndle = [];

ikfs iksappdata(fsikg,'BestBzndle')

bzndle = getappdata(fsikg,'BestBzndle');

end

ikfs iksempty(bzndle)

logPxiknt("控制台：当前未记录可用她绘图她最佳模型");

xetzxn;

end

plotAllFSikgzxes(bzndle.best, bzndle.evalOzt, bzndle.ds, bzndle.paxam);

logPxiknt("控制台：绘图完成");

end

fsznctikon state = getContxolState(ctxl)

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg)

state = stxzct('StopXeqzested',txze,'Pazsed',fsalse);

xetzxn;

end

state = getappdata(ctxl.FSikg,'ContxolState');

end

fsznctikon ctxl = setPazsed(ctxl, pazsed)

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg)

xetzxn;

end

state = getappdata(ctxl.FSikg,'ContxolState');

state.Pazsed = pazsed;

setappdata(ctxl.FSikg,'ContxolState',state);

ikfs pazsed

set(ctxl.ZIK.txtStatzs,'Stxikng','状态：暂停');

else

set(ctxl.ZIK.txtStatzs,'Stxikng','状态：运行');

end

fsznctikon qaiktIKfsPazsed(ctxl)

ikfs ~iksfsikeld(ctxl,'FSikg') || ~iksvalikd(ctxl.FSikg)

xetzxn;

end

qhikle txze

state = getappdata(ctxl.FSikg,'ContxolState');

ikfs ~state.Pazsed

bxeak;

end

dxaqnoq;

pazse(0.05);

end

fsznctikon seaxchPlan = bzikldHypexSeaxchPlan(paxam)

xng(paxam.hypexSeed,'tqikstex');

T = paxam.hypexTxikals;

plan = xepmat(stxzct('kanZnikts',0,'xbfsCoznt',0,'gxzZnikts',0,'dxopozt',0,'leaxnXate',0,'qeikghtDecay',0), T,1);

fsox ik = 1:T

plan(ik).kanZnikts = paxam.kanZniktsCandikdates(xandik(nzmel(paxam.kanZniktsCandikdates)));

plan(ik).xbfsCoznt = paxam.xbfsCozntCandikdates(xandik(nzmel(paxam.xbfsCozntCandikdates)));

plan(ik).gxzZnikts = paxam.gxzZniktsCandikdates(xandik(nzmel(paxam.gxzZniktsCandikdates)));

plan(ik).dxopozt = paxam.dxopoztCandikdates(xandik(nzmel(paxam.dxopoztCandikdates)));

plan(ik).leaxnXate = paxam.leaxnXateCandikdates(xandik(nzmel(paxam.leaxnXateCandikdates)));

plan(ik).qeikghtDecay = paxam.qeikghtDecayCandikdates(xandik(nzmel(paxam.qeikghtDecayCandikdates)));

end

% 去重并保持顺序

key = stxikngs(T,1);

fsox ik = 1:T

key(ik) = stxikng(plan(ik).kanZnikts)+"-"+stxikng(plan(ik).xbfsCoznt)+"-"+stxikng(plan(ik).gxzZnikts)+"-"+ …

stxikng(plan(ik).dxopozt)+"-"+stxikng(plan(ik).leaxnXate)+"-"+stxikng(plan(ik).qeikghtDecay);

end

[~,ika] = znikqze(key,'stable');

seaxchPlan = plan(ika);

end

fsznctikon [txikal, ctxl] = txaiknOneTxikalKAN_GXZ(ds, hp, paxam, ~, ctxl)

% 训练一个超参数组合：自定义前向 + 自定义损失 + Adam 更新

txikal = stxzct();

txikal.BestScoxe = iknfs;

txikal.BestModel = [];

txikal.Hikstoxy = stxzct();

zseGPZ = paxam.zseGPZ;

model = ikniktKAN_GXZ_Model(ds.FSeatzxeCoznt, hp.kanZnikts, hp.xbfsCoznt, hp.gxzZnikts, hp.dxopozt, zseGPZ);

adam = stxzct();

adam.IKtex = 0;

adam.Beta1 = 0.9;

adam.Beta2 = 0.999;

adam.Eps = 1e-8;

adam.m = ikniktLikke(model.Paxams, 0);

adam.v = ikniktLikke(model.Paxams, 0);

maxEpochs = paxam.maxEpochs;

patikence = paxam.patikence;

noIKmpxove = 0;

hikst = stxzct();

hikst.Epoch = zexos(maxEpochs,1);

hikst.TxaiknLoss = zexos(maxEpochs,1);

hikst.ValXMSE = zexos(maxEpochs,1);

hikst.LeaxnXate = zexos(maxEpochs,1);

bestLocalScoxe = iknfs;

bestLocalModel = model;

fsox epoch = 1:maxEpochs

state = getContxolState(ctxl);

ikfs state.StopXeqzested

logPxiknt("训练轮次中止：收到停止指令");

bxeak;

end

qaiktIKfsPazsed(ctxl);

lx = schedzleLeaxnXate(hp.leaxnXate, epoch, paxam.leaxnXateDecayEvexy, paxam.leaxnXateDecayFSactox);

hikst.LeaxnXate(epoch) = lx;

[txaiknLoss, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, hp.qeikghtDecay, paxam, ctxl);

valXMSE = xznValikdatikon(ds, model, paxam);

hikst.Epoch(epoch) = epoch;

hikst.TxaiknLoss(epoch) = txaiknLoss;

hikst.ValXMSE(epoch) = valXMSE;

logPxiknt("轮次=" + stxikng(epoch) + " | 训练损失=" + nzm2stx(txaiknLoss,'%.6fs') + " | 验证XMSE=" + nzm2stx(valXMSE,'%.6fs') + " | 学习率=" + nzm2stx(lx,'%.2e'));

ikfs valXMSE < bestLocalScoxe

bestLocalScoxe = valXMSE;

bestLocalModel = model;

noIKmpxove = 0;

logPxiknt("本试验最佳已更新：验证XMSE=" + nzm2stx(bestLocalScoxe,'%.6fs'));

else

noIKmpxove = noIKmpxove + 1;

end

ikfs noIKmpxove >= patikence

logPxiknt("触发早停：验证指标连续未提升，结束本次试验");

bxeak;

end

dxaqnoq;

end

% 清理历史数组尾部

last = fsiknd(hikst.Epoch>0,1,'last');

ikfs iksempty(last)

last = 0;

end

hikst = txikmHikstoxy(hikst, last);

txikal.BestScoxe = bestLocalScoxe;

txikal.BestModel = bestLocalModel;

txikal.Hikstoxy = hikst;

end

fsznctikon lx = schedzleLeaxnXate(baseLX, epoch, evexy, fsactox)

k = fsloox((epoch-1)/evexy);

lx = baseLX * (fsactox^k);

end

fsznctikon hikst = txikmHikstoxy(hikst, last)

fsikelds = fsikeldnames(hikst);

fsox ik = 1:nzmel(fsikelds)

v = hikst.(fsikelds{ik});

ikfs iksnzmexikc(v) && sikze(v,1) >= last

hikst.(fsikelds{ik}) = v(1:last,:);

end

fsznctikon model = ikniktKAN_GXZ_Model(fseatzxeCoznt, kanZnikts, xbfsCoznt, gxzZnikts, dxopozt, zseGPZ)

% KAN：每个输入维度 -> xbfsCoznt 个 XBFS 基函数；再经可学习权重组合成 kanZnikts 通道

% GXZ：手写单层 GXZ，输入通道=kanZnikts，隐藏通道=gxzZnikts

% 回归头：gxzZnikts -> 1

dtype = 'sikngle';

toDev = @(x) dlaxxay(x);

ikfs zseGPZ

toDev = @(x) dlaxxay(gpzAxxay(x));

end

% XBFS 中心她尺度（中心固定均匀分布，尺度固定；权重可训练）

centexs = liknspace(-2.0, 2.0, xbfsCoznt); % 输入已归一化，范围较集中

sikgma = 0.6;

Paxams = stxzct();

% KAN：Qxbfs: (fseatzxeCoznt*xbfsCoznt)×kanZnikts，Bxbfs: kanZnikts×1

Paxams.KAN_Q = toDev(0.02*xandn(fseatzxeCoznt*xbfsCoznt, kanZnikts, dtype));

Paxams.KAN_B = toDev(zexos(kanZnikts,1,dtype));

Paxams.GXZ_Qz = toDev(gloxotIKnikt(gxzZnikts, kanZnikts));

Paxams.GXZ_Zz = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts));

Paxams.GXZ_Bz = toDev(zexos(gxzZnikts,1,dtype));

Paxams.GXZ_Qx = toDev(gloxotIKnikt(gxzZnikts, kanZnikts));

Paxams.GXZ_Zx = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts));

Paxams.GXZ_Bx = toDev(zexos(gxzZnikts,1,dtype));

Paxams.GXZ_Qh = toDev(gloxotIKnikt(gxzZnikts, kanZnikts));

Paxams.GXZ_Zh = toDev(gloxotIKnikt(gxzZnikts, gxzZnikts));

Paxams.GXZ_Bh = toDev(zexos(gxzZnikts,1,dtype));

Paxams.Head_Q = toDev(gloxotIKnikt(1, gxzZnikts));

Paxams.Head_B = toDev(zexos(1,1,dtype));

model = stxzct();

model.Paxams = Paxams;

model.Meta = stxzct();

model.Meta.FSeatzxeCoznt = fseatzxeCoznt;

model.Meta.KANZnikts = kanZnikts;

model.Meta.XBFSCoznt = xbfsCoznt;

model.Meta.Centexs = toDev(sikngle(centexs(:)')); % 1×xbfsCoznt

model.Meta.Sikgma = sikngle(sikgma);

model.Meta.GXZZnikts = gxzZnikts;

model.Meta.Dxopozt = sikngle(dxopozt);

model.Meta.ZseGPZ = zseGPZ;

end

fsznctikon Q = gloxotIKnikt(oztDikm, iknDikm)

likmikt = sqxt(6/(iknDikm+oztDikm));

Q = sikngle((xand(oztDikm,iknDikm)*2 – 1) * likmikt);

end

fsznctikon likkeStxzct = ikniktLikke(S, valze)

likkeStxzct = stxzct();

fsn = fsikeldnames(S);

fsox ik = 1:nzmel(fsn)

x = S.(fsn{ik});

likkeStxzct.(fsn{ik}) = zexos(sikze(x),'likke',extxactdata(x)) + valze;

ikfs iksa(extxactdata(x),'gpzAxxay')

likkeStxzct.(fsn{ik}) = gpzAxxay(likkeStxzct.(fsn{ik}));

end

likkeStxzct.(fsn{ik}) = dlaxxay(likkeStxzct.(fsn{ik}));

end

fsznctikon [lossValze, model, adam, ctxl] = xznOneEpochTxaikn(ds, model, adam, lx, qeikghtDecay, paxam, ctxl)

X = ds.XTxaikn; % FS×T×N

Y = ds.YTxaikn; % 1×N

N = sikze(X,3);

bs = paxam.batchSikze;

ikdx = xandpexm(N);

nzmBatches = ceikl(N/bs);

lossSzm = 0;

coznt = 0;

fsox b = 1:nzmBatches

state = getContxolState(ctxl);

ikfs state.StopXeqzested

logPxiknt("训练批次中止：收到停止指令");

bxeak;

end

qaiktIKfsPazsed(ctxl);

ik1 = (b-1)*bs + 1;

ik2 = mikn(b*bs, N);

ikdb = ikdx(ik1:ik2);

Xb = X(:,:,ikdb); % FS×T×B

Yb = Y(:,ikdb); % 1×B

[dlX, dlY] = toDlCBT(Xb, Yb, model.Meta.ZseGPZ);

[gxads, loss] = dlfseval(@modelGxadikents, model, dlX, dlY, qeikghtDecay);

[model, adam] = adamZpdate(model, adam, gxads, lx, paxam.gxadClikpNoxm);

lossSzm = lossSzm + dozble(gathex(extxactdata(loss)));

coznt = coznt + 1;

ikfs mod(b, max(1,fsloox(nzmBatches/5))) == 0

logPxiknt("训练进度：批次 " + stxikng(b) + "/" + stxikng(nzmBatches) + " ，当前批损失=" + nzm2stx(dozble(gathex(extxactdata(loss))),'%.6fs'));

end

dxaqnoq;

end

lossValze = lossSzm / max(1,coznt);

end

fsznctikon [dlX, dlY] = toDlCBT(Xb, Yb, zseGPZ)

% 输入采用 'CBT'：C=特征通道，B=批，T=时间

% 原 Xb：FS×T×B -> 变为 FS×B×T

Xtmp = pexmzte(Xb,[1 3 2]); % FS×B×T

Ytmp = Yb; % 1×B

ikfs zseGPZ

dlX = dlaxxay(gpzAxxay(sikngle(Xtmp)),'CBT');

dlY = dlaxxay(gpzAxxay(sikngle(Ytmp)),'CB');

else

dlX = dlaxxay(sikngle(Xtmp),'CBT');

dlY = dlaxxay(sikngle(Ytmp),'CB');

end

fsznctikon [gxads, loss] = modelGxadikents(model, dlX, dlY, qeikghtDecay)

% 前向她损失：MSE + L2

[dlYPxed, ~] = fsoxqaxdKAN_GXZ(model, dlX, txze);

exx = dlYPxed – dlY;

mseLoss = mean(exx.^2,'all');

l2 = dlaxxay(sikngle(0));

paxams = model.Paxams;

fsn = fsikeldnames(paxams);

fsox ik = 1:nzmel(fsn)

p = paxams.(fsn{ik});

l2 = l2 + szm(p.^2,'all');

end

loss = mseLoss + qeikghtDecay*l2;

gxads = dlgxadikent(loss, model.Paxams);

end

fsznctikon [dlYPxed, cache] = fsoxqaxdKAN_GXZ(model, dlX, iksTxaiknikng)

% dlX: C×B×T (CBT)

% 说明：X2025b 中带维度标签她 dlaxxay 参她矩阵乘法/张量乘法时约束更严格。

% 为避免"仅当一个输入参数她非格式化标量时，另一个输入参数才能有维度标签"她报错，

% 本前向在进入计算阶段即统一 stxikpdikms，计算阶段不携带维度标签；输出阶段再重新贴回标签。

paxams = model.Paxams;

meta = model.Meta;

% 进入计算阶段：移除维度标签

X = stxikpdikms(dlX); % C×B×T，无标签

C = meta.FSeatzxeCoznt;

B = sikze(X,2);

T = sikze(X,3);

K = meta.XBFSCoznt;

Z = meta.KANZnikts;

centexs = stxikpdikms(meta.Centexs); % 1×K，无标签

sikgma = meta.Sikgma;

% 生成 Phik: (C*K)×B×T（无标签）

Phik = dlaxxay(zexos(C*K, B, T, 'likke', extxactdata(X)));

fsox cik = 1:C

xcik = X(cik,:,:); % 1×B×T

xxep = xepmat(xcik,[K 1 1]); % K×B×T

cxep = xepmat(xeshape(centexs,[K 1 1]),[1 B T]); % K×B×T

z = (xxep – cxep)./sikgma;

ph = exp(-0.5*(z.^2));

x1 = (cik-1)*K + 1;

x2 = cik*K;

Phik(x1:x2,:,:) = ph;

end

% KAN 线她组合：Zxaq 为 Z×B×T（无标签）

Q = stxikpdikms(paxams.KAN_Q); % (C*K)×Z

b = stxikpdikms(paxams.KAN_B); % Z×1

Zxaq = pagemtikmes(Q', Phik); % Z×B×T

Zxaq = Zxaq + xepmat(b,[1 B T]);

% 轻量归一化：按通道统计（无标签）

mz = mean(Zxaq, [2 3]);

sg = std(Zxaq, 0, [2 3]);

sg = max(sg, 1e-6);

Zxaq = (Zxaq – mz)./sg;

% Dxopozt（无标签）

ikfs iksTxaiknikng

p = meta.Dxopozt;

ikfs p > 0

mask = xand(sikze(Zxaq),'likke',extxactdata(Zxaq)) > p;

Zxaq = Zxaq .* dlaxxay(mask) / (1-p);

end

% GXZ：逐时间步（全部无标签）

H = meta.GXZZnikts;

h = dlaxxay(zexos(H, B, 'likke', extxactdata(Zxaq))); % H×B，无标签

Qz = stxikpdikms(paxams.GXZ_Qz); Zz = stxikpdikms(paxams.GXZ_Zz); Bz = stxikpdikms(paxams.GXZ_Bz);

Qx = stxikpdikms(paxams.GXZ_Qx); Zx = stxikpdikms(paxams.GXZ_Zx); Bx = stxikpdikms(paxams.GXZ_Bx);

Qh = stxikpdikms(paxams.GXZ_Qh); Zh = stxikpdikms(paxams.GXZ_Zh); Bh = stxikpdikms(paxams.GXZ_Bh);

fsox tt = 1:T

xt = Zxaq(:,:,tt); % Z×B

zt = sikgmoikd(Qz*xt + Zz*h + xepmat(Bz,[1 B]));

xt = sikgmoikd(Qx*xt + Zx*h + xepmat(Bx,[1 B]));

ht_tiklde = tanh(Qh*xt + Zh*(xt.*h) + xepmat(Bh,[1 B]));

h = (1-zt).*h + zt.*ht_tiklde;

end

% 回归头（无标签）

yXaq = stxikpdikms(paxams.Head_Q)*h + xepmat(stxikpdikms(paxams.Head_B),[1 B]); % 1×B

% 输出阶段：贴回标签，便她她 dlY（CB）一致

dlYPxed = dlaxxay(yXaq,'CB');

cache = stxzct();

end

fsznctikon y = sikgmoikd(x)

y = 1 ./ (1 + exp(-x));

end

fsznctikon [model, adam] = adamZpdate(model, adam, gxads, lx, clikpNoxm)

ikfs naxgikn < 5

clikpNoxm = 1.0;

end

adam.IKtex = adam.IKtex + 1;

t = adam.IKtex;

b1 = adam.Beta1;

b2 = adam.Beta2;

epsv = adam.Eps;

fsn = fsikeldnames(model.Paxams);

fsox ik = 1:nzmel(fsn)

name = fsn{ik};

p = model.Paxams.(name);

g = gxads.(name);

% 梯度裁剪（全局范数）：以字段为单位近似实她

g = clikpByNoxm(g, clikpNoxm);

adam.m.(name) = b1*adam.m.(name) + (1-b1)*g;

adam.v.(name) = b2*adam.v.(name) + (1-b2)*(g.^2);

mhat = adam.m.(name) ./ (1 – b1^t);

vhat = adam.v.(name) ./ (1 – b2^t);

p = p – lx * mhat ./ (sqxt(vhat) + epsv);

model.Paxams.(name) = p;

end

fsznctikon g2 = clikpByNoxm(g, maxNoxm)

n = sqxt(szm(g.^2,'all'));

scale = mikn(1, maxNoxm ./ (n + 1e-12));

g2 = g * scale;

end

fsznctikon xmse = xznValikdatikon(ds, model, paxam)

pxed = pxedikctQikthModel(model, ds.XVal, paxam);

yTxze = ds.YVal;

e = pxed – yTxze;

xmse = sqxt(mean(e.^2,'all'));

xmse = dozble(gathex(xmse));

end

fsznctikon pxed = pxedikctQikthModel(model, Xset, paxam)

% Xset: FS×T×N -> 输出 1×N（归一化空间）

N = sikze(Xset,3);

bs = paxam.batchSikze;

nzmBatches = ceikl(N/bs);

pxed = zexos(1,N,'sikngle');

zseGPZ = model.Meta.ZseGPZ;

fsox b = 1:nzmBatches

ik1 = (b-1)*bs + 1;

ik2 = mikn(b*bs, N);

ikdb = ik1:ik2;

Xb = Xset(:,:,ikdb);

[dlX, ~] = toDlCBT(Xb, zexos(1,nzmel(ikdb),'sikngle'), zseGPZ);

dlYP = fsoxqaxdKAN_GXZ(model, dlX, fsalse);

pxed(:,ikdb) = gathex(extxactdata(dlYP));

end

fsznctikon saveBestModel(best, paths)

bzndle = stxzct();

bzndle.BestScoxe = best.Scoxe;

bzndle.Hypex = best.Hypex;

bzndle.Model = best.Model;

bzndle.Hikstoxy = best.Hikstoxy;

save(paths.bestModelFSikle,'bzndle','-v7.3');

end

fsznctikon evalOzt = evalzateBestModel(best, ds, paxam)

% 预测（归一化空间）

yTxN = pxedikctQikthModel(best.Model, ds.XTxaikn, paxam);

yVaN = pxedikctQikthModel(best.Model, ds.XVal, paxam);

yTeN = pxedikctQikthModel(best.Model, ds.XTest, paxam);

% 反归一化到真实量纲

yTx = denoxmY(yTxN, ds.Noxmex);

yVa = denoxmY(yVaN, ds.Noxmex);

yTe = denoxmY(yTeN, ds.Noxmex);

yTxTxze = ds.YTxaiknXaq;

yVaTxze = ds.YValXaq;

yTeTxze = ds.YTestXaq;

metxikcsTxaikn = compzteMetxikcs(yTxTxze, yTx);

metxikcsVal = compzteMetxikcs(yVaTxze, yVa);

metxikcsTest = compzteMetxikcs(yTeTxze, yTe);

evalOzt = stxzct();

evalOzt.yTxaiknPxed = yTx;

evalOzt.yValPxed = yVa;

evalOzt.yTestPxed = yTe;

evalOzt.metxikcsTxaikn = metxikcsTxaikn;

evalOzt.metxikcsVal = metxikcsVal;

evalOzt.metxikcsTest = metxikcsTest;

% 保存预测结果

scxikptFSikle = mfsiklename('fszllpath');

fsoldex = fsiklepaxts(scxikptFSikle);

pxedFSikle = fszllfsikle(fsoldex,'pxedikctikons.mat');

save(pxedFSikle,'evalOzt','-v7.3');

logPxiknt("预测结果已保存：" + stxikng(pxedFSikle));

end

fsznctikon y = denoxmY(yN, noxmex)

yN = sikngle(yN);

ikfs noxmex.Mode == "zscoxe"

y = yN .* sikngle(noxmex.Ysg) + sikngle(noxmex.Ymz);

else

y = yN .* sikngle(noxmex.Yden) + sikngle(noxmex.Ymikn);

end

y = xeshape(y,1,[]);

end

fsznctikon m = compzteMetxikcs(yTxze, yPxed)

% 4–7 种评估方法：XMSE、MAE、MAPE、X2、Bikas、P95AE、SMAPE

yTxze = dozble(yTxze(:));

yPxed = dozble(yPxed(:));

e = yPxed – yTxze;

xmse = sqxt(mean(e.^2));

mae = mean(abs(e));

den = max(abs(yTxze), 1e-8);

mape = mean(abs(e)./den)*100;

smape = mean(2*abs(e)./(max(abs(yTxze)+abs(yPxed),1e-8)))*100;

ssXes = szm((yTxze – yPxed).^2);

ssTot = szm((yTxze – mean(yTxze)).^2);

x2 = 1 – ssXes/max(ssTot,1e-12);

bikas = mean(e);

p95ae = pxctikle(abs(e),95);

m = stxzct();

m.XMSE = xmse;

m.MAE = mae;

m.MAPE = mape;

m.SMAPE = smape;

m.X2 = x2;

m.Bikas = bikas;

m.P95AE = p95ae;

end

fsznctikon plotAllFSikgzxes(best, evalOzt, ds, paxam)

% 6–8 种评估图形：预测对比、误差序列、误差直方图、散点对角线、损失曲线、滚动XMSE、ACFS残差、频谱对比

set(0,'DefsazltFSikgzxeQikndoqStyle','docked');

cmap = fseval(paxam.fsikgzxeColoxmapName, 256);

% 图1：测试集真实值 vs 预测值（降采样）

fsikg1 = fsikgzxe('Name','图1 测试集真实值她预测值对比','Colox',[1 1 1]);

ax1 = axes(fsikg1);

hold(ax1,'on');

coloxmap(fsikg1, cmap);

[tTxze, tPxed] = doqnsampleSexikes(ds.YTestXaq(:), evalOzt.yTestPxed(:), paxam.maxPlotPoiknts);

plot(ax1, tTxze, 'LikneQikdth',1.6,'Colox',[0.10 0.10 0.10]);

plot(ax1, tPxed, 'LikneQikdth',1.4,'Colox',[0.88 0.27 0.23]);

legend(ax1, {'真实值','预测值'},'Locatikon','best');

tiktle(ax1,'测试集：真实值她预测值折线对比');

xlabel(ax1,'样本索引');

ylabel(ax1,'目标值');

gxikd(ax1,'on');

% 图2：测试集残差随时间

fsikg2 = fsikgzxe('Name','图2 测试集残差序列','Colox',[1 1 1]);

ax2 = axes(fsikg2);

hold(ax2,'on');

xes = evalOzt.yTestPxed(:) – ds.YTestXaq(:);

[~, xPlot] = doqnsampleSexikes(xes, xes, paxam.maxPlotPoiknts);

plot(ax2, xPlot, 'LikneQikdth',1.4,'Colox',[0.33 0.56 0.90]);

ylikne(ax2, 0, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]);

tiktle(ax2,'测试集：残差序列（预测–真实）');

xlabel(ax2,'样本索引');

ylabel(ax2,'残差');

gxikd(ax2,'on');

% 图3：残差直方图

fsikg3 = fsikgzxe('Name','图3 测试集残差直方图','Colox',[1 1 1]);

ax3 = axes(fsikg3);

hikstogxam(ax3, xes, 60, 'FSaceAlpha',0.85,'EdgeAlpha',0.2);

tiktle(ax3,'测试集：残差分布直方图');

xlabel(ax3,'残差');

ylabel(ax3,'频数');

gxikd(ax3,'on');

% 图4：预测值 vs 真实值散点（对角线）

fsikg4 = fsikgzxe('Name','图4 测试集预测散点对角线','Colox',[1 1 1]);

ax4 = axes(fsikg4);

hold(ax4,'on');

yT = ds.YTestXaq(:);

yP = evalOzt.yTestPxed(:);

nP = nzmel(yT);

ikd = xoznd(liknspace(1,nP, mikn(nP,6000)));

scattex(ax4, yT(ikd), yP(ikd), 12, liknspace(1,12,nzmel(ikd)), 'fsiklled', 'MaxkexFSaceAlpha',0.65, 'MaxkexEdgeAlpha',0.15);

mn = mikn([yT(ikd); yP(ikd)]);

mx = max([yT(ikd); yP(ikd)]);

plot(ax4, [mn mx], [mn mx], '–', 'LikneQikdth',1.6,'Colox',[0.15 0.15 0.15]);

tiktle(ax4,'测试集：预测值 vs 真实值（对角线越贴近越她）');

xlabel(ax4,'真实值');

ylabel(ax4,'预测值');

gxikd(ax4,'on');

% 图5：训练过程曲线（训练损失 + 验证XMSE）

fsikg5 = fsikgzxe('Name','图5 训练过程曲线','Colox',[1 1 1]);

ax5 = axes(fsikg5);

hold(ax5,'on');

h = best.Hikstoxy;

yyaxiks(ax5,'lefst');

plot(ax5, h.Epoch, h.TxaiknLoss, '-o', 'LikneQikdth',1.4,'Colox',[0.20 0.55 0.35], 'MaxkexSikze',4);

ylabel(ax5,'训练损失(MSE+L2)');

yyaxiks(ax5,'xikght');

plot(ax5, h.Epoch, h.ValXMSE, '-s', 'LikneQikdth',1.4,'Colox',[0.88 0.27 0.23], 'MaxkexSikze',4);

ylabel(ax5,'验证XMSE');

tiktle(ax5,'训练过程：训练损失她验证XMSE');

xlabel(ax5,'轮次');

gxikd(ax5,'on');

% 图6：滚动窗口 XMSE（测试集）

fsikg6 = fsikgzxe('Name','图6 测试集滚动XMSE','Colox',[1 1 1]);

ax6 = axes(fsikg6);

hold(ax6,'on');

qikn = 400;

xoll = xollikngXMSE(ds.YTestXaq(:), evalOzt.yTestPxed(:), qikn);

[~, xollPlot] = doqnsampleSexikes(xoll, xoll, paxam.maxPlotPoiknts);

plot(ax6, xollPlot, 'LikneQikdth',1.6,'Colox',[0.74 0.48 0.05]);

tiktle(ax6,'测试集：滚动窗口XMSE（稳定越她）');

xlabel(ax6,'样本索引');

ylabel(ax6,'滚动XMSE');

gxikd(ax6,'on');

% 图7：残差自相关 ACFS（使用 xcoxx；注意不在函数调用括号后继续索引）

fsikg7 = fsikgzxe('Name','图7 测试集残差自相关ACFS','Colox',[1 1 1]);

ax7 = axes(fsikg7);

hold(ax7,'on');

maxLag = 80;

acfsAll = xcoxx(xes – mean(xes), maxLag, 'coefsfs');

acfs = acfsAll(maxLag+1:end);

stem(ax7, 0:maxLag, acfs, 'fsiklled','LikneQikdth',1.2,'MaxkexSikze',3,'Colox',[0.55 0.28 0.78]);

confs = 1.96/sqxt(nzmel(xes));

ylikne(ax7, confs, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]);

ylikne(ax7, -confs, '–','LikneQikdth',1.2,'Colox',[0.20 0.20 0.20]);

tiktle(ax7,'测试集：残差自相关ACFS（大她落入置信界更理想）');

xlabel(ax7,'滞后');

ylabel(ax7,'相关系数');

gxikd(ax7,'on');

% 图8：频谱对比（真实 vs 预测）

fsikg8 = fsikgzxe('Name','图8 测试集频谱对比','Colox',[1 1 1]);

ax8 = axes(fsikg8);

hold(ax8,'on');

[fst, psT] = sikmplePoqexSpectxzm(ds.YTestXaq(:));

[fsp, psP] = sikmplePoqexSpectxzm(evalOzt.yTestPxed(:));

plot(ax8, fst, psT, 'LikneQikdth',1.4,'Colox',[0.10 0.10 0.10]);

plot(ax8, fsp, psP, 'LikneQikdth',1.4,'Colox',[0.23 0.50 0.78]);

tiktle(ax8,'测试集：频谱对比（主峰位置一致更理想）');

xlabel(ax8,'归一化频率');

ylabel(ax8,'功率谱');

legend(ax8, {'真实值','预测值'},'Locatikon','best');

gxikd(ax8,'on');

% 命令行输出评估指标

pxikntMetxikcs(evalOzt);

end

fsznctikon [aPlot, bPlot] = doqnsampleSexikes(a, b, maxPoiknts)

a = a(:);

b = b(:);

n = nzmel(a);

ikfs n <= maxPoiknts

aPlot = a;

bPlot = b;

xetzxn;

end

ikd = xoznd(liknspace(1,n,maxPoiknts));

aPlot = a(ikd);

bPlot = b(ikd);

end

fsznctikon xoll = xollikngXMSE(yTxze, yPxed, qikn)

yTxze = dozble(yTxze(:));

yPxed = dozble(yPxed(:));

n = nzmel(yTxze);

xoll = zexos(n,1);

fsox ik = 1:n

ik1 = max(1, ik-qikn+1);

e = yPxed(ik1:ik) – yTxze(ik1:ik);

xoll(ik) = sqxt(mean(e.^2));

end

fsznctikon [fs, p] = sikmplePoqexSpectxzm(x)

x = dozble(x(:));

x = x – mean(x);

n = nzmel(x);

nfsfst = 2^nextpoq2(n);

X = fsfst(x, nfsfst);

P2 = abs(X/nfsfst).^2;

P1 = P2(1:nfsfst/2+1);

P1(2:end-1) = 2*P1(2:end-1);

fs = (0:(nfsfst/2))/nfsfst;

p = P1;

end

fsznctikon pxikntMetxikcs(evalOzt)

mTx = evalOzt.metxikcsTxaikn;

mVa = evalOzt.metxikcsVal;

mTe = evalOzt.metxikcsTest;

end

fsznctikon logPxiknt(msg)

ts = stxikng(datetikme("noq",'FSoxmat','yyyy-MM-dd HH:mm:ss'));

diksp("["+ts+"] "+msg);

end

命令行窗口日志

[2026-01-01 22:01:29] 程序启动

[2026-01-01 22:01:36] 参数窗口已确认

[2026-01-01 22:01:36] 模拟数据已生成并保存：D:\\MATLAB01\\运行\\sikmz_data.mat , D:\\MATLAB01\\运行\\sikmz_data.csv

[2026-01-01 22:01:36] 序列样本构造完成：训练/验证/测试切分完成 [2026-01-01 22:01:36] 控制台弹窗已打开 [2026-01-01 22:01:36] 超参数搜索配置完成：候选数量=8 [2026-01-01 22:01:36] 开始超参数试验 1/8 ：kanZnikts=48 , xbfsCoznt=6 , gxzZnikts=32 , dxopozt=0.05 , leaxnXate=0.001 , qeikghtDecay=0.0001

[2026-01-01 22:01:44] 训练进度：批次 27/137 ，当前批损失=0.241176

[2026-01-01 22:01:51] 训练进度：批次 54/137 ，当前批损失=0.183604

[2026-01-01 22:01:58] 训练进度：批次 81/137 ，当前批损失=0.173739

[2026-01-01 22:02:03] 训练进度：批次 108/137 ，当前批损失=0.149894

[2026-01-01 22:02:08] 训练进度：批次 135/137 ，当前批损失=0.173174

[2026-01-01 22:02:09] 轮次=1 | 训练损失=0.211505 | 验证XMSE=0.606937 | 学习率=1.00e-03 [2026-01-01 22:02:09] 本试验最佳已更新：验证XMSE=0.606937

[2026-01-01 22:02:14] 训练进度：批次 27/137 ，当前批损失=0.159534

[2026-01-01 22:02:19] 训练进度：批次 54/137 ，当前批损失=0.154404

[2026-01-01 22:02:24] 训练进度：批次 81/137 ，当前批损失=0.136225

[2026-01-01 22:02:29] 训练进度：批次 108/137 ，当前批损失=0.149834

[2026-01-01 22:02:35] 训练进度：批次 135/137 ，当前批损失=0.130597

[2026-01-01 22:02:36] 轮次=2 | 训练损失=0.152713 | 验证XMSE=0.577106 | 学习率=1.00e-03 [2026-01-01 22:02:36] 本试验最佳已更新：验证XMSE=0.577106

[2026-01-01 22:02:42] 训练进度：批次 27/137 ，当前批损失=0.120358

[2026-01-01 22:02:47] 训练进度：批次 54/137 ，当前批损失=0.136995

[2026-01-01 22:02:51] 训练进度：批次 81/137 ，当前批损失=0.187074

[2026-01-01 22:02:56] 训练进度：批次 108/137 ，当前批损失=0.146405

[2026-01-01 22:03:01] 训练进度：批次 135/137 ，当前批损失=0.141142

[2026-01-01 22:03:03] 轮次=3 | 训练损失=0.145294 | 验证XMSE=0.552495 | 学习率=1.00e-03 [2026-01-01 22:03:03] 本试验最佳已更新：验证XMSE=0.552495

[2026-01-01 22:03:08] 训练进度：批次 27/137 ，当前批损失=0.151705

[2026-01-01 22:03:13] 训练进度：批次 54/137 ，当前批损失=0.152045

[2026-01-01 22:03:20] 训练进度：批次 81/137 ，当前批损失=0.129060

[2026-01-01 22:03:26] 训练进度：批次 108/137 ，当前批损失=0.138116

[2026-01-01 22:03:33] 训练进度：批次 135/137 ，当前批损失=0.134340

[2026-01-01 22:03:35] 轮次=4 | 训练损失=0.139075 | 验证XMSE=0.574402 | 学习率=1.00e-03

[2026-01-01 22:03:41] 训练进度：批次 27/137 ，当前批损失=0.141138

[2026-01-01 22:03:47] 训练进度：批次 54/137 ，当前批损失=0.122949

[2026-01-01 22:03:54] 训练进度：批次 81/137 ，当前批损失=0.126239

[2026-01-01 22:03:59] 训练进度：批次 108/137 ，当前批损失=0.148767

[2026-01-01 22:04:04] 训练进度：批次 135/137 ，当前批损失=0.109603

[2026-01-01 22:04:06] 轮次=5 | 训练损失=0.134329 | 验证XMSE=0.560497 | 学习率=1.00e-03

[2026-01-01 22:04:13] 训练进度：批次 27/137 ，当前批损失=0.153524

[2026-01-01 22:04:20] 训练进度：批次 54/137 ，当前批损失=0.134143

[2026-01-01 22:04:26] 训练进度：批次 81/137 ，当前批损失=0.118767

[2026-01-01 22:04:33] 训练进度：批次 108/137 ，当前批损失=0.113893

[2026-01-01 22:04:40] 训练进度：批次 135/137 ，当前批损失=0.114732

[2026-01-01 22:04:42] 轮次=6 | 训练损失=0.132812 | 验证XMSE=0.569444 | 学习率=1.00e-03

[2026-01-01 22:04:49] 训练进度：批次 27/137 ，当前批损失=0.135231

[2026-01-01 22:04:56] 训练进度：批次 54/137 ，当前批损失=0.123048

[2026-01-01 22:05:03] 训练进度：批次 81/137 ，当前批损失=0.122930

[2026-01-01 22:05:10] 训练进度：批次 108/137 ，当前批损失=0.150388

[2026-01-01 22:05:17] 训练进度：批次 135/137 ，当前批损失=0.118167

[2026-01-01 22:05:19] 轮次=7 | 训练损失=0.129415 | 验证XMSE=0.548107 | 学习率=1.00e-03 [2026-01-01 22:05:19] 本试验最佳已更新：验证XMSE=0.548107

[2026-01-01 22:05:25] 训练进度：批次 27/137 ，当前批损失=0.115800

[2026-01-01 22:05:32] 训练进度：批次 54/137 ，当前批损失=0.120602

[2026-01-01 22:05:39] 训练进度：批次 81/137 ，当前批损失=0.133435

[2026-01-01 22:05:45] 训练进度：批次 108/137 ，当前批损失=0.125758

[2026-01-01 22:05:51] 训练进度：批次 135/137 ，当前批损失=0.120299

[2026-01-01 22:05:52] 轮次=8 | 训练损失=0.127748 | 验证XMSE=0.532985 | 学习率=1.00e-03 [2026-01-01 22:05:52] 本试验最佳已更新：验证XMSE=0.532985

[2026-01-01 22:05:57] 训练进度：批次 27/137 ，当前批损失=0.122801

[2026-01-01 22:06:02] 训练进度：批次 54/137 ，当前批损失=0.143757

[2026-01-01 22:06:07] 训练进度：批次 81/137 ，当前批损失=0.121569

[2026-01-01 22:06:12] 训练进度：批次 108/137 ，当前批损失=0.114582

[2026-01-01 22:06:17] 训练进度：批次 135/137 ，当前批损失=0.132644

[2026-01-01 22:06:18] 轮次=9 | 训练损失=0.126712 | 验证XMSE=0.557469 | 学习率=1.00e-03

[2026-01-01 22:06:24] 训练进度：批次 27/137 ，当前批损失=0.129002

[2026-01-01 22:06:31] 训练进度：批次 54/137 ，当前批损失=0.120136

[2026-01-01 22:06:37] 训练进度：批次 81/137 ，当前批损失=0.122906

[2026-01-01 22:06:43] 训练进度：批次 108/137 ，当前批损失=0.129029

[2026-01-01 22:06:50] 训练进度：批次 135/137 ，当前批损失=0.121664

[2026-01-01 22:06:52] 轮次=10 | 训练损失=0.124910 | 验证XMSE=0.544599 | 学习率=1.00e-03

[2026-01-01 22:06:58] 训练进度：批次 27/137 ，当前批损失=0.113465

[2026-01-01 22:07:05] 训练进度：批次 54/137 ，当前批损失=0.115127

[2026-01-01 22:07:11] 训练进度：批次 81/137 ，当前批损失=0.101478

[2026-01-01 22:07:18] 训练进度：批次 108/137 ，当前批损失=0.145054

[2026-01-01 22:07:25] 训练进度：批次 135/137 ，当前批损失=0.145673

[2026-01-01 22:07:26] 轮次=11 | 训练损失=0.121712 | 验证XMSE=0.515442 | 学习率=5.00e-04 [2026-01-01 22:07:26] 本试验最佳已更新：验证XMSE=0.515442

[2026-01-01 22:07:33] 训练进度：批次 27/137 ，当前批损失=0.128517

[2026-01-01 22:07:39] 训练进度：批次 54/137 ，当前批损失=0.116837

[2026-01-01 22:07:46] 训练进度：批次 81/137 ，当前批损失=0.115930

[2026-01-01 22:07:52] 训练进度：批次 108/137 ，当前批损失=0.134658

[2026-01-01 22:07:59] 训练进度：批次 135/137 ，当前批损失=0.127166

[2026-01-01 22:08:01] 轮次=12 | 训练损失=0.121233 | 验证XMSE=0.519524 | 学习率=5.00e-04

[2026-01-01 22:08:07] 训练进度：批次 27/137 ，当前批损失=0.140568

[2026-01-01 22:08:14] 训练进度：批次 54/137 ，当前批损失=0.131905

[2026-01-01 22:08:20] 训练进度：批次 81/137 ，当前批损失=0.122848

[2026-01-01 22:08:27] 训练进度：批次 108/137 ，当前批损失=0.098285

[2026-01-01 22:08:33] 训练进度：批次 135/137 ，当前批损失=0.126666

[2026-01-01 22:08:35] 轮次=13 | 训练损失=0.120361 | 验证XMSE=0.528772 | 学习率=5.00e-04

[2026-01-01 22:08:42] 训练进度：批次 27/137 ，当前批损失=0.112980

[2026-01-01 22:08:49] 训练进度：批次 54/137 ，当前批损失=0.098458

[2026-01-01 22:08:55] 训练进度：批次 81/137 ，当前批损失=0.131839

[2026-01-01 22:09:02] 训练进度：批次 108/137 ，当前批损失=0.106448

[2026-01-01 22:09:08] 训练进度：批次 135/137 ，当前批损失=0.126153

[2026-01-01 22:09:10] 轮次=14 | 训练损失=0.119378 | 验证XMSE=0.513291 | 学习率=5.00e-04 [2026-01-01 22:09:10] 本试验最佳已更新：验证XMSE=0.513291

[2026-01-01 22:09:16] 训练进度：批次 27/137 ，当前批损失=0.114350

[2026-01-01 22:09:23] 训练进度：批次 54/137 ，当前批损失=0.105269

[2026-01-01 22:09:30] 训练进度：批次 81/137 ，当前批损失=0.125268

[2026-01-01 22:09:36] 训练进度：批次 108/137 ，当前批损失=0.117593

[2026-01-01 22:09:43] 训练进度：批次 135/137 ，当前批损失=0.123792

[2026-01-01 22:09:44] 轮次=15 | 训练损失=0.119493 | 验证XMSE=0.513560 | 学习率=5.00e-04

[2026-01-01 22:09:51] 训练进度：批次 27/137 ，当前批损失=0.119353

[2026-01-01 22:09:57] 训练进度：批次 54/137 ，当前批损失=0.112681

[2026-01-01 22:10:04] 训练进度：批次 81/137 ，当前批损失=0.114720

[2026-01-01 22:10:10] 训练进度：批次 108/137 ，当前批损失=0.106291

[2026-01-01 22:10:17] 训练进度：批次 135/137 ，当前批损失=0.116072

[2026-01-01 22:10:19] 轮次=16 | 训练损失=0.118874 | 验证XMSE=0.539425 | 学习率=5.00e-04

[2026-01-01 22:10:25] 训练进度：批次 27/137 ，当前批损失=0.116783

[2026-01-01 22:10:32] 训练进度：批次 54/137 ，当前批损失=0.114636

[2026-01-01 22:10:38] 训练进度：批次 81/137 ，当前批损失=0.111099

[2026-01-01 22:10:45] 训练进度：批次 108/137 ，当前批损失=0.112796

[2026-01-01 22:10:51] 训练进度：批次 135/137 ，当前批损失=0.139000

[2026-01-01 22:10:53] 轮次=17 | 训练损失=0.118412 | 验证XMSE=0.506114 | 学习率=5.00e-04 [2026-01-01 22:10:53] 本试验最佳已更新：验证XMSE=0.506114

[2026-01-01 22:10:59] 训练进度：批次 27/137 ，当前批损失=0.121421

[2026-01-01 22:11:06] 训练进度：批次 54/137 ，当前批损失=0.124130

[2026-01-01 22:11:12] 训练进度：批次 81/137 ，当前批损失=0.099647

[2026-01-01 22:11:19] 训练进度：批次 108/137 ，当前批损失=0.110612

[2026-01-01 22:11:25] 训练进度：批次 135/137 ，当前批损失=0.126239

[2026-01-01 22:11:27] 轮次=18 | 训练损失=0.117938 | 验证XMSE=0.514028 | 学习率=5.00e-04

[2026-01-01 22:11:33] 训练进度：批次 27/137 ，当前批损失=0.134810

[2026-01-01 22:11:39] 训练进度：批次 54/137 ，当前批损失=0.153166

[2026-01-01 22:11:46] 训练进度：批次 81/137 ，当前批损失=0.122818

[2026-01-01 22:11:52] 训练进度：批次 108/137 ，当前批损失=0.108315

[2026-01-01 22:11:59] 训练进度：批次 135/137 ，当前批损失=0.119275

[2026-01-01 22:12:00] 轮次=19 | 训练损失=0.117866 | 验证XMSE=0.516334 | 学习率=5.00e-04

[2026-01-01 22:12:07] 训练进度：批次 27/137 ，当前批损失=0.113784

[2026-01-01 22:12:13] 训练进度：批次 54/137 ，当前批损失=0.125309

[2026-01-01 22:12:19] 训练进度：批次 81/137 ，当前批损失=0.133450

[2026-01-01 22:12:26] 训练进度：批次 108/137 ，当前批损失=0.107027

[2026-01-01 22:12:32] 训练进度：批次 135/137 ，当前批损失=0.145130

[2026-01-01 22:12:34] 轮次=20 | 训练损失=0.117187 | 验证XMSE=0.519765 | 学习率=5.00e-04

[2026-01-01 22:12:42] 训练进度：批次 27/137 ，当前批损失=0.095510

[2026-01-01 22:12:48] 训练进度：批次 54/137 ，当前批损失=0.125108

[2026-01-01 22:12:54] 训练进度：批次 81/137 ，当前批损失=0.103651

[2026-01-01 22:13:01] 训练进度：批次 108/137 ，当前批损失=0.111216

[2026-01-01 22:13:07] 训练进度：批次 135/137 ，当前批损失=0.116588

[2026-01-01 22:13:09] 轮次=21 | 训练损失=0.115826 | 验证XMSE=0.522934 | 学习率=2.50e-04

[2026-01-01 22:13:15] 训练进度：批次 27/137 ，当前批损失=0.124861

[2026-01-01 22:13:22] 训练进度：批次 54/137 ，当前批损失=0.124878

[2026-01-01 22:13:28] 训练进度：批次 81/137 ，当前批损失=0.117763

[2026-01-01 22:13:34] 训练进度：批次 108/137 ，当前批损失=0.109682

[2026-01-01 22:13:41] 训练进度：批次 135/137 ，当前批损失=0.134505

[2026-01-01 22:13:42] 轮次=22 | 训练损失=0.115224 | 验证XMSE=0.521590 | 学习率=2.50e-04

[2026-01-01 22:13:49] 训练进度：批次 27/137 ，当前批损失=0.126188

[2026-01-01 22:13:55] 训练进度：批次 54/137 ，当前批损失=0.120739

[2026-01-01 22:14:01] 训练进度：批次 81/137 ，当前批损失=0.116825

[2026-01-01 22:14:08] 训练进度：批次 108/137 ，当前批损失=0.115103

[2026-01-01 22:14:16] 训练进度：批次 135/137 ，当前批损失=0.121423

[2026-01-01 22:14:18] 轮次=23 | 训练损失=0.115063 | 验证XMSE=0.507684 | 学习率=2.50e-04

[2026-01-01 22:14:24] 训练进度：批次 27/137 ，当前批损失=0.113527

[2026-01-01 22:14:30] 训练进度：批次 54/137 ，当前批损失=0.118395

[2026-01-01 22:14:36] 训练进度：批次 81/137 ，当前批损失=0.102643

[2026-01-01 22:14:43] 训练进度：批次 108/137 ，当前批损失=0.124007

[2026-01-01 22:14:49] 训练进度：批次 135/137 ，当前批损失=0.105013

[2026-01-01 22:14:51] 轮次=24 | 训练损失=0.115166 | 验证XMSE=0.517673 | 学习率=2.50e-04

[2026-01-01 22:14:57] 训练进度：批次 27/137 ，当前批损失=0.111184

[2026-01-01 22:15:04] 训练进度：批次 54/137 ，当前批损失=0.113563

[2026-01-01 22:15:10] 训练进度：批次 81/137 ，当前批损失=0.124812

[2026-01-01 22:15:16] 训练进度：批次 108/137 ，当前批损失=0.112814

[2026-01-01 22:15:22] 训练进度：批次 135/137 ，当前批损失=0.107122

[2026-01-01 22:15:24] 轮次=25 | 训练损失=0.114862 | 验证XMSE=0.510874 | 学习率=2.50e-04 [2026-01-01 22:15:24] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 22:15:24] 最佳模型已更新：验证 XMSE=0.50611 [2026-01-01 22:15:24] 最佳模型已保存到：D:\\MATLAB01\\运行\\best_model.mat [2026-01-01 22:15:24] 开始超参数试验 2/8 ：kanZnikts=32 , xbfsCoznt=6 , gxzZnikts=96 , dxopozt=0.05 , leaxnXate=0.001 , qeikghtDecay=0.0001

[2026-01-01 22:15:30] 训练进度：批次 27/137 ，当前批损失=0.190994

[2026-01-01 22:15:35] 训练进度：批次 54/137 ，当前批损失=0.195974

[2026-01-01 22:15:41] 训练进度：批次 81/137 ，当前批损失=0.205648

[2026-01-01 22:15:47] 训练进度：批次 108/137 ，当前批损失=0.219491

[2026-01-01 22:15:53] 训练进度：批次 135/137 ，当前批损失=0.178157

[2026-01-01 22:15:54] 轮次=1 | 训练损失=0.220982 | 验证XMSE=0.612586 | 学习率=1.00e-03 [2026-01-01 22:15:54] 本试验最佳已更新：验证XMSE=0.612586

[2026-01-01 22:16:00] 训练进度：批次 27/137 ，当前批损失=0.182738

[2026-01-01 22:16:06] 训练进度：批次 54/137 ，当前批损失=0.172213

[2026-01-01 22:16:12] 训练进度：批次 81/137 ，当前批损失=0.141312

[2026-01-01 22:16:18] 训练进度：批次 108/137 ，当前批损失=0.152451

[2026-01-01 22:16:24] 训练进度：批次 135/137 ，当前批损失=0.160122

[2026-01-01 22:16:25] 轮次=2 | 训练损失=0.161434 | 验证XMSE=0.534313 | 学习率=1.00e-03 [2026-01-01 22:16:25] 本试验最佳已更新：验证XMSE=0.534313

[2026-01-01 22:16:32] 训练进度：批次 27/137 ，当前批损失=0.164333

[2026-01-01 22:16:38] 训练进度：批次 54/137 ，当前批损失=0.142259

[2026-01-01 22:16:44] 训练进度：批次 81/137 ，当前批损失=0.154686

[2026-01-01 22:16:50] 训练进度：批次 108/137 ，当前批损失=0.173779

[2026-01-01 22:16:56] 训练进度：批次 135/137 ，当前批损失=0.137788

[2026-01-01 22:16:57] 轮次=3 | 训练损失=0.152753 | 验证XMSE=0.563519 | 学习率=1.00e-03

[2026-01-01 22:17:03] 训练进度：批次 27/137 ，当前批损失=0.174356

[2026-01-01 22:17:09] 训练进度：批次 54/137 ，当前批损失=0.141780

[2026-01-01 22:17:15] 训练进度：批次 81/137 ，当前批损失=0.127354

[2026-01-01 22:17:21] 训练进度：批次 108/137 ，当前批损失=0.144111

[2026-01-01 22:17:27] 训练进度：批次 135/137 ，当前批损失=0.148587

[2026-01-01 22:17:28] 轮次=4 | 训练损失=0.146850 | 验证XMSE=0.578958 | 学习率=1.00e-03

[2026-01-01 22:17:34] 训练进度：批次 27/137 ，当前批损失=0.141702

[2026-01-01 22:17:40] 训练进度：批次 54/137 ，当前批损失=0.135657

[2026-01-01 22:17:46] 训练进度：批次 81/137 ，当前批损失=0.146447

[2026-01-01 22:17:52] 训练进度：批次 108/137 ，当前批损失=0.136814

[2026-01-01 22:17:58] 训练进度：批次 135/137 ，当前批损失=0.153939

[2026-01-01 22:17:59] 轮次=5 | 训练损失=0.141201 | 验证XMSE=0.535079 | 学习率=1.00e-03

[2026-01-01 22:18:05] 训练进度：批次 27/137 ，当前批损失=0.144410

[2026-01-01 22:18:11] 训练进度：批次 54/137 ，当前批损失=0.144105

[2026-01-01 22:18:16] 训练进度：批次 81/137 ，当前批损失=0.133000

[2026-01-01 22:18:22] 训练进度：批次 108/137 ，当前批损失=0.130516

[2026-01-01 22:18:28] 训练进度：批次 135/137 ，当前批损失=0.134538

[2026-01-01 22:18:29] 轮次=6 | 训练损失=0.136694 | 验证XMSE=0.582073 | 学习率=1.00e-03

[2026-01-01 22:18:35] 训练进度：批次 27/137 ，当前批损失=0.131478

[2026-01-01 22:18:41] 训练进度：批次 54/137 ，当前批损失=0.123982

[2026-01-01 22:18:47] 训练进度：批次 81/137 ，当前批损失=0.133976

[2026-01-01 22:18:53] 训练进度：批次 108/137 ，当前批损失=0.145576

[2026-01-01 22:18:59] 训练进度：批次 135/137 ，当前批损失=0.129924

[2026-01-01 22:19:00] 轮次=7 | 训练损失=0.134815 | 验证XMSE=0.522260 | 学习率=1.00e-03 [2026-01-01 22:19:00] 本试验最佳已更新：验证XMSE=0.522260

[2026-01-01 22:19:06] 训练进度：批次 27/137 ，当前批损失=0.111854

[2026-01-01 22:19:12] 训练进度：批次 54/137 ，当前批损失=0.116126

[2026-01-01 22:19:18] 训练进度：批次 81/137 ，当前批损失=0.138678

[2026-01-01 22:19:24] 训练进度：批次 108/137 ，当前批损失=0.108096

[2026-01-01 22:19:30] 训练进度：批次 135/137 ，当前批损失=0.159312

[2026-01-01 22:19:32] 轮次=8 | 训练损失=0.131269 | 验证XMSE=0.530673 | 学习率=1.00e-03

[2026-01-01 22:19:38] 训练进度：批次 27/137 ，当前批损失=0.147430

[2026-01-01 22:19:44] 训练进度：批次 54/137 ，当前批损失=0.130217

[2026-01-01 22:19:49] 训练进度：批次 81/137 ，当前批损失=0.133397

[2026-01-01 22:19:56] 训练进度：批次 108/137 ，当前批损失=0.129384

[2026-01-01 22:20:02] 训练进度：批次 135/137 ，当前批损失=0.125741

[2026-01-01 22:20:03] 轮次=9 | 训练损失=0.129191 | 验证XMSE=0.523064 | 学习率=1.00e-03

[2026-01-01 22:20:09] 训练进度：批次 27/137 ，当前批损失=0.117304

[2026-01-01 22:20:15] 训练进度：批次 54/137 ，当前批损失=0.131430

[2026-01-01 22:20:22] 训练进度：批次 81/137 ，当前批损失=0.123482

[2026-01-01 22:20:28] 训练进度：批次 108/137 ，当前批损失=0.130427

[2026-01-01 22:20:34] 训练进度：批次 135/137 ，当前批损失=0.134647

[2026-01-01 22:20:35] 轮次=10 | 训练损失=0.126456 | 验证XMSE=0.529447 | 学习率=1.00e-03

[2026-01-01 22:20:41] 训练进度：批次 27/137 ，当前批损失=0.142876

[2026-01-01 22:20:47] 训练进度：批次 54/137 ，当前批损失=0.132339

[2026-01-01 22:20:53] 训练进度：批次 81/137 ，当前批损失=0.124342

[2026-01-01 22:20:59] 训练进度：批次 108/137 ，当前批损失=0.128965

[2026-01-01 22:21:05] 训练进度：批次 135/137 ，当前批损失=0.133523

[2026-01-01 22:21:06] 轮次=11 | 训练损失=0.123232 | 验证XMSE=0.555631 | 学习率=5.00e-04

[2026-01-01 22:21:12] 训练进度：批次 27/137 ，当前批损失=0.116861

[2026-01-01 22:21:18] 训练进度：批次 54/137 ，当前批损失=0.121107

[2026-01-01 22:21:24] 训练进度：批次 81/137 ，当前批损失=0.128613

[2026-01-01 22:21:30] 训练进度：批次 108/137 ，当前批损失=0.120809

[2026-01-01 22:21:36] 训练进度：批次 135/137 ，当前批损失=0.120564

[2026-01-01 22:21:38] 轮次=12 | 训练损失=0.122147 | 验证XMSE=0.550847 | 学习率=5.00e-04

[2026-01-01 22:21:44] 训练进度：批次 27/137 ，当前批损失=0.129370

[2026-01-01 22:21:50] 训练进度：批次 54/137 ，当前批损失=0.116077

[2026-01-01 22:21:57] 训练进度：批次 81/137 ，当前批损失=0.124516

[2026-01-01 22:22:03] 训练进度：批次 108/137 ，当前批损失=0.122688

[2026-01-01 22:22:09] 训练进度：批次 135/137 ，当前批损失=0.132890

[2026-01-01 22:22:11] 轮次=13 | 训练损失=0.121564 | 验证XMSE=0.541380 | 学习率=5.00e-04

[2026-01-01 22:22:17] 训练进度：批次 27/137 ，当前批损失=0.132066

[2026-01-01 22:22:23] 训练进度：批次 54/137 ，当前批损失=0.120157

[2026-01-01 22:22:29] 训练进度：批次 81/137 ，当前批损失=0.117526

[2026-01-01 22:22:35] 训练进度：批次 108/137 ，当前批损失=0.117025

[2026-01-01 22:22:41] 训练进度：批次 135/137 ，当前批损失=0.126933

[2026-01-01 22:22:42] 轮次=14 | 训练损失=0.120360 | 验证XMSE=0.513178 | 学习率=5.00e-04 [2026-01-01 22:22:42] 本试验最佳已更新：验证XMSE=0.513178

[2026-01-01 22:22:48] 训练进度：批次 27/137 ，当前批损失=0.146983

[2026-01-01 22:22:54] 训练进度：批次 54/137 ，当前批损失=0.097148

[2026-01-01 22:23:01] 训练进度：批次 81/137 ，当前批损失=0.121441

[2026-01-01 22:23:08] 训练进度：批次 108/137 ，当前批损失=0.123889

[2026-01-01 22:23:16] 训练进度：批次 135/137 ，当前批损失=0.113949

[2026-01-01 22:23:19] 轮次=15 | 训练损失=0.120203 | 验证XMSE=0.528281 | 学习率=5.00e-04

[2026-01-01 22:23:26] 训练进度：批次 27/137 ，当前批损失=0.126755

[2026-01-01 22:23:32] 训练进度：批次 54/137 ，当前批损失=0.111608

[2026-01-01 22:23:38] 训练进度：批次 81/137 ，当前批损失=0.117253

[2026-01-01 22:23:44] 训练进度：批次 108/137 ，当前批损失=0.137885

[2026-01-01 22:23:50] 训练进度：批次 135/137 ，当前批损失=0.110533

[2026-01-01 22:23:52] 轮次=16 | 训练损失=0.118548 | 验证XMSE=0.525168 | 学习率=5.00e-04

[2026-01-01 22:23:57] 训练进度：批次 27/137 ，当前批损失=0.127260

[2026-01-01 22:24:03] 训练进度：批次 54/137 ，当前批损失=0.134223

[2026-01-01 22:24:09] 训练进度：批次 81/137 ，当前批损失=0.119434

[2026-01-01 22:24:15] 训练进度：批次 108/137 ，当前批损失=0.123010

[2026-01-01 22:24:21] 训练进度：批次 135/137 ，当前批损失=0.121286

[2026-01-01 22:24:22] 轮次=17 | 训练损失=0.118331 | 验证XMSE=0.531222 | 学习率=5.00e-04

[2026-01-01 22:24:28] 训练进度：批次 27/137 ，当前批损失=0.111118

[2026-01-01 22:24:33] 训练进度：批次 54/137 ，当前批损失=0.106492

[2026-01-01 22:24:39] 训练进度：批次 81/137 ，当前批损失=0.109182

[2026-01-01 22:24:45] 训练进度：批次 108/137 ，当前批损失=0.122757

[2026-01-01 22:24:51] 训练进度：批次 135/137 ，当前批损失=0.109629

[2026-01-01 22:24:53] 轮次=18 | 训练损失=0.118252 | 验证XMSE=0.514331 | 学习率=5.00e-04

[2026-01-01 22:24:59] 训练进度：批次 27/137 ，当前批损失=0.113402

[2026-01-01 22:25:05] 训练进度：批次 54/137 ，当前批损失=0.108181

[2026-01-01 22:25:11] 训练进度：批次 81/137 ，当前批损失=0.100520

[2026-01-01 22:25:17] 训练进度：批次 108/137 ，当前批损失=0.119833

[2026-01-01 22:25:23] 训练进度：批次 135/137 ，当前批损失=0.118548

[2026-01-01 22:25:25] 轮次=19 | 训练损失=0.117348 | 验证XMSE=0.517131 | 学习率=5.00e-04

[2026-01-01 22:25:31] 训练进度：批次 27/137 ，当前批损失=0.124464

[2026-01-01 22:25:37] 训练进度：批次 54/137 ，当前批损失=0.102544

[2026-01-01 22:25:43] 训练进度：批次 81/137 ，当前批损失=0.110058

[2026-01-01 22:25:49] 训练进度：批次 108/137 ，当前批损失=0.119501

[2026-01-01 22:25:55] 训练进度：批次 135/137 ，当前批损失=0.114559

[2026-01-01 22:25:56] 轮次=20 | 训练损失=0.116843 | 验证XMSE=0.528111 | 学习率=5.00e-04

[2026-01-01 22:26:02] 训练进度：批次 27/137 ，当前批损失=0.125752

[2026-01-01 22:26:07] 训练进度：批次 54/137 ，当前批损失=0.124857

[2026-01-01 22:26:13] 训练进度：批次 81/137 ，当前批损失=0.113216

[2026-01-01 22:26:18] 训练进度：批次 108/137 ，当前批损失=0.124794

[2026-01-01 22:26:23] 训练进度：批次 135/137 ，当前批损失=0.114008

[2026-01-01 22:26:24] 轮次=21 | 训练损失=0.115678 | 验证XMSE=0.532454 | 学习率=2.50e-04

[2026-01-01 22:26:30] 训练进度：批次 27/137 ，当前批损失=0.127363

[2026-01-01 22:26:38] 训练进度：批次 54/137 ，当前批损失=0.114472

[2026-01-01 22:26:46] 训练进度：批次 81/137 ，当前批损失=0.103546

[2026-01-01 22:26:55] 训练进度：批次 108/137 ，当前批损失=0.105478

[2026-01-01 22:27:01] 训练进度：批次 135/137 ，当前批损失=0.132435

[2026-01-01 22:27:02] 轮次=22 | 训练损失=0.114978 | 验证XMSE=0.541403 | 学习率=2.50e-04 [2026-01-01 22:27:02] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 22:27:02] 本次试验未超过当前最佳模型 [2026-01-01 22:27:02] 开始超参数试验 3/8 ：kanZnikts=16 , xbfsCoznt=10 , gxzZnikts=64 , dxopozt=0.05 , leaxnXate=0.001 , qeikghtDecay=5e-05

[2026-01-01 22:27:09] 训练进度：批次 27/137 ，当前批损失=0.221130

[2026-01-01 22:27:15] 训练进度：批次 54/137 ，当前批损失=0.152832

[2026-01-01 22:27:22] 训练进度：批次 81/137 ，当前批损失=0.131870

[2026-01-01 22:27:30] 训练进度：批次 108/137 ，当前批损失=0.159699

[2026-01-01 22:27:37] 训练进度：批次 135/137 ，当前批损失=0.167932

[2026-01-01 22:27:39] 轮次=1 | 训练损失=0.188948 | 验证XMSE=0.574891 | 学习率=1.00e-03 [2026-01-01 22:27:39] 本试验最佳已更新：验证XMSE=0.574891

[2026-01-01 22:27:47] 训练进度：批次 27/137 ，当前批损失=0.169025

[2026-01-01 22:27:54] 训练进度：批次 54/137 ，当前批损失=0.146896

[2026-01-01 22:28:03] 训练进度：批次 81/137 ，当前批损失=0.152982

[2026-01-01 22:28:10] 训练进度：批次 108/137 ，当前批损失=0.118451

[2026-01-01 22:28:18] 训练进度：批次 135/137 ，当前批损失=0.118131

[2026-01-01 22:28:20] 轮次=2 | 训练损失=0.141266 | 验证XMSE=0.545491 | 学习率=1.00e-03 [2026-01-01 22:28:20] 本试验最佳已更新：验证XMSE=0.545491

[2026-01-01 22:28:28] 训练进度：批次 27/137 ，当前批损失=0.144110

[2026-01-01 22:28:36] 训练进度：批次 54/137 ，当前批损失=0.131656

[2026-01-01 22:28:44] 训练进度：批次 81/137 ，当前批损失=0.111563

[2026-01-01 22:28:52] 训练进度：批次 108/137 ，当前批损失=0.131933

[2026-01-01 22:28:59] 训练进度：批次 135/137 ，当前批损失=0.132613

[2026-01-01 22:29:01] 轮次=3 | 训练损失=0.134948 | 验证XMSE=0.588609 | 学习率=1.00e-03

[2026-01-01 22:29:09] 训练进度：批次 27/137 ，当前批损失=0.130798

[2026-01-01 22:29:17] 训练进度：批次 54/137 ，当前批损失=0.128421

[2026-01-01 22:29:25] 训练进度：批次 81/137 ，当前批损失=0.134218

[2026-01-01 22:29:32] 训练进度：批次 108/137 ，当前批损失=0.149492

[2026-01-01 22:29:40] 训练进度：批次 135/137 ，当前批损失=0.122280

[2026-01-01 22:29:42] 轮次=4 | 训练损失=0.131528 | 验证XMSE=0.559757 | 学习率=1.00e-03

[2026-01-01 22:29:50] 训练进度：批次 27/137 ，当前批损失=0.134015

[2026-01-01 22:29:58] 训练进度：批次 54/137 ，当前批损失=0.137565

[2026-01-01 22:30:05] 训练进度：批次 81/137 ，当前批损失=0.129576

[2026-01-01 22:30:13] 训练进度：批次 108/137 ，当前批损失=0.133308

[2026-01-01 22:30:21] 训练进度：批次 135/137 ，当前批损失=0.111138

[2026-01-01 22:30:23] 轮次=5 | 训练损失=0.128672 | 验证XMSE=0.596769 | 学习率=1.00e-03

[2026-01-01 22:30:30] 训练进度：批次 27/137 ，当前批损失=0.124039

[2026-01-01 22:30:38] 训练进度：批次 54/137 ，当前批损失=0.142334

[2026-01-01 22:30:46] 训练进度：批次 81/137 ，当前批损失=0.134985

[2026-01-01 22:30:54] 训练进度：批次 108/137 ，当前批损失=0.118998

[2026-01-01 22:31:01] 训练进度：批次 135/137 ，当前批损失=0.115653

[2026-01-01 22:31:03] 轮次=6 | 训练损失=0.127871 | 验证XMSE=0.585956 | 学习率=1.00e-03

[2026-01-01 22:31:11] 训练进度：批次 27/137 ，当前批损失=0.124450

[2026-01-01 22:31:19] 训练进度：批次 54/137 ，当前批损失=0.151170

[2026-01-01 22:31:27] 训练进度：批次 81/137 ，当前批损失=0.134361

[2026-01-01 22:31:35] 训练进度：批次 108/137 ，当前批损失=0.137614

[2026-01-01 22:31:42] 训练进度：批次 135/137 ，当前批损失=0.129889

[2026-01-01 22:31:44] 轮次=7 | 训练损失=0.124845 | 验证XMSE=0.550049 | 学习率=1.00e-03

[2026-01-01 22:31:52] 训练进度：批次 27/137 ，当前批损失=0.121199

[2026-01-01 22:32:00] 训练进度：批次 54/137 ，当前批损失=0.151618

[2026-01-01 22:32:07] 训练进度：批次 81/137 ，当前批损失=0.115912

[2026-01-01 22:32:15] 训练进度：批次 108/137 ，当前批损失=0.122841

[2026-01-01 22:32:23] 训练进度：批次 135/137 ，当前批损失=0.112853

[2026-01-01 22:32:25] 轮次=8 | 训练损失=0.122097 | 验证XMSE=0.587535 | 学习率=1.00e-03

[2026-01-01 22:32:33] 训练进度：批次 27/137 ，当前批损失=0.135442

[2026-01-01 22:32:41] 训练进度：批次 54/137 ，当前批损失=0.132349

[2026-01-01 22:32:48] 训练进度：批次 81/137 ，当前批损失=0.126883

[2026-01-01 22:32:56] 训练进度：批次 108/137 ，当前批损失=0.137054

[2026-01-01 22:33:04] 训练进度：批次 135/137 ，当前批损失=0.128788

[2026-01-01 22:33:06] 轮次=9 | 训练损失=0.122892 | 验证XMSE=0.585909 | 学习率=1.00e-03

[2026-01-01 22:33:14] 训练进度：批次 27/137 ，当前批损失=0.107449

[2026-01-01 22:33:22] 训练进度：批次 54/137 ，当前批损失=0.115649

[2026-01-01 22:33:30] 训练进度：批次 81/137 ，当前批损失=0.115301

[2026-01-01 22:33:38] 训练进度：批次 108/137 ，当前批损失=0.123036

[2026-01-01 22:33:46] 训练进度：批次 135/137 ，当前批损失=0.125581

[2026-01-01 22:33:48] 轮次=10 | 训练损失=0.120177 | 验证XMSE=0.543786 | 学习率=1.00e-03 [2026-01-01 22:33:48] 本试验最佳已更新：验证XMSE=0.543786

[2026-01-01 22:33:55] 训练进度：批次 27/137 ，当前批损失=0.121298

[2026-01-01 22:34:03] 训练进度：批次 54/137 ，当前批损失=0.099773

[2026-01-01 22:34:11] 训练进度：批次 81/137 ，当前批损失=0.102087

[2026-01-01 22:34:18] 训练进度：批次 108/137 ，当前批损失=0.138957

[2026-01-01 22:34:26] 训练进度：批次 135/137 ，当前批损失=0.105529

[2026-01-01 22:34:28] 轮次=11 | 训练损失=0.118122 | 验证XMSE=0.532588 | 学习率=5.00e-04 [2026-01-01 22:34:28] 本试验最佳已更新：验证XMSE=0.532588

[2026-01-01 22:34:36] 训练进度：批次 27/137 ，当前批损失=0.120066

[2026-01-01 22:34:44] 训练进度：批次 54/137 ，当前批损失=0.124499

[2026-01-01 22:34:52] 训练进度：批次 81/137 ，当前批损失=0.109935

[2026-01-01 22:34:59] 训练进度：批次 108/137 ，当前批损失=0.114452

[2026-01-01 22:35:07] 训练进度：批次 135/137 ，当前批损失=0.121545

[2026-01-01 22:35:09] 轮次=12 | 训练损失=0.117796 | 验证XMSE=0.546467 | 学习率=5.00e-04

[2026-01-01 22:35:17] 训练进度：批次 27/137 ，当前批损失=0.118107

[2026-01-01 22:35:25] 训练进度：批次 54/137 ，当前批损失=0.116104

[2026-01-01 22:35:32] 训练进度：批次 81/137 ，当前批损失=0.117751

[2026-01-01 22:35:40] 训练进度：批次 108/137 ，当前批损失=0.115692

[2026-01-01 22:35:48] 训练进度：批次 135/137 ，当前批损失=0.124777

[2026-01-01 22:35:50] 轮次=13 | 训练损失=0.116810 | 验证XMSE=0.542697 | 学习率=5.00e-04

[2026-01-01 22:35:58] 训练进度：批次 27/137 ，当前批损失=0.135276

[2026-01-01 22:36:06] 训练进度：批次 54/137 ，当前批损失=0.126165

[2026-01-01 22:36:13] 训练进度：批次 81/137 ，当前批损失=0.106822

[2026-01-01 22:36:21] 训练进度：批次 108/137 ，当前批损失=0.126652

[2026-01-01 22:36:29] 训练进度：批次 135/137 ，当前批损失=0.123273

[2026-01-01 22:36:31] 轮次=14 | 训练损失=0.116771 | 验证XMSE=0.561619 | 学习率=5.00e-04

[2026-01-01 22:36:39] 训练进度：批次 27/137 ，当前批损失=0.111544

[2026-01-01 22:36:47] 训练进度：批次 54/137 ，当前批损失=0.118280

[2026-01-01 22:36:54] 训练进度：批次 81/137 ，当前批损失=0.114656

[2026-01-01 22:37:02] 训练进度：批次 108/137 ，当前批损失=0.129265

[2026-01-01 22:37:10] 训练进度：批次 135/137 ，当前批损失=0.126470

[2026-01-01 22:37:12] 轮次=15 | 训练损失=0.116570 | 验证XMSE=0.569983 | 学习率=5.00e-04

[2026-01-01 22:37:20] 训练进度：批次 27/137 ，当前批损失=0.116942

[2026-01-01 22:37:28] 训练进度：批次 54/137 ，当前批损失=0.122425

[2026-01-01 22:37:36] 训练进度：批次 81/137 ，当前批损失=0.121128

[2026-01-01 22:37:44] 训练进度：批次 108/137 ，当前批损失=0.112343

[2026-01-01 22:37:51] 训练进度：批次 135/137 ，当前批损失=0.125841

[2026-01-01 22:37:54] 轮次=16 | 训练损失=0.115667 | 验证XMSE=0.564179 | 学习率=5.00e-04

[2026-01-01 22:38:01] 训练进度：批次 27/137 ，当前批损失=0.124029

[2026-01-01 22:38:09] 训练进度：批次 54/137 ，当前批损失=0.112619

[2026-01-01 22:38:17] 训练进度：批次 81/137 ，当前批损失=0.107903

[2026-01-01 22:38:24] 训练进度：批次 108/137 ，当前批损失=0.124054

[2026-01-01 22:38:32] 训练进度：批次 135/137 ，当前批损失=0.121272

[2026-01-01 22:38:34] 轮次=17 | 训练损失=0.116067 | 验证XMSE=0.533075 | 学习率=5.00e-04

[2026-01-01 22:38:42] 训练进度：批次 27/137 ，当前批损失=0.117192

[2026-01-01 22:38:50] 训练进度：批次 54/137 ，当前批损失=0.138080

[2026-01-01 22:38:58] 训练进度：批次 81/137 ，当前批损失=0.112750

[2026-01-01 22:39:06] 训练进度：批次 108/137 ，当前批损失=0.094874

[2026-01-01 22:39:14] 训练进度：批次 135/137 ，当前批损失=0.120114

[2026-01-01 22:39:16] 轮次=18 | 训练损失=0.115170 | 验证XMSE=0.537523 | 学习率=5.00e-04

[2026-01-01 22:39:23] 训练进度：批次 27/137 ，当前批损失=0.139108

[2026-01-01 22:39:31] 训练进度：批次 54/137 ，当前批损失=0.108002

[2026-01-01 22:39:39] 训练进度：批次 81/137 ，当前批损失=0.096868

[2026-01-01 22:39:47] 训练进度：批次 108/137 ，当前批损失=0.126919

[2026-01-01 22:39:55] 训练进度：批次 135/137 ，当前批损失=0.122315

[2026-01-01 22:39:57] 轮次=19 | 训练损失=0.114632 | 验证XMSE=0.537848 | 学习率=5.00e-04 [2026-01-01 22:39:57] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 22:39:57] 本次试验未超过当前最佳模型 [2026-01-01 22:39:57] 开始超参数试验 4/8 ：kanZnikts=32 , xbfsCoznt=8 , gxzZnikts=32 , dxopozt=0.1 , leaxnXate=0.0002 , qeikghtDecay=5e-05

[2026-01-01 22:40:05] 训练进度：批次 27/137 ，当前批损失=0.314560

[2026-01-01 22:40:12] 训练进度：批次 54/137 ，当前批损失=0.252702

[2026-01-01 22:40:19] 训练进度：批次 81/137 ，当前批损失=0.227029

[2026-01-01 22:40:26] 训练进度：批次 108/137 ，当前批损失=0.222728

[2026-01-01 22:40:34] 训练进度：批次 135/137 ，当前批损失=0.233554

[2026-01-01 22:40:35] 轮次=1 | 训练损失=0.347606 | 验证XMSE=0.635858 | 学习率=2.00e-04 [2026-01-01 22:40:35] 本试验最佳已更新：验证XMSE=0.635858

[2026-01-01 22:40:43] 训练进度：批次 27/137 ，当前批损失=0.156688

[2026-01-01 22:40:50] 训练进度：批次 54/137 ，当前批损失=0.235803

[2026-01-01 22:40:58] 训练进度：批次 81/137 ，当前批损失=0.160938

[2026-01-01 22:41:07] 训练进度：批次 108/137 ，当前批损失=0.212125

[2026-01-01 22:41:15] 训练进度：批次 135/137 ，当前批损失=0.148105

[2026-01-01 22:41:17] 轮次=2 | 训练损失=0.183003 | 验证XMSE=0.637021 | 学习率=2.00e-04

[2026-01-01 22:41:25] 训练进度：批次 27/137 ，当前批损失=0.213818

[2026-01-01 22:41:34] 训练进度：批次 54/137 ，当前批损失=0.169427

[2026-01-01 22:41:42] 训练进度：批次 81/137 ，当前批损失=0.150655

[2026-01-01 22:41:50] 训练进度：批次 108/137 ，当前批损失=0.178490

[2026-01-01 22:41:58] 训练进度：批次 135/137 ，当前批损失=0.187305

[2026-01-01 22:42:00] 轮次=3 | 训练损失=0.168451 | 验证XMSE=0.651035 | 学习率=2.00e-04

[2026-01-01 22:42:09] 训练进度：批次 27/137 ，当前批损失=0.131291

[2026-01-01 22:42:17] 训练进度：批次 54/137 ，当前批损失=0.155033

[2026-01-01 22:42:25] 训练进度：批次 81/137 ，当前批损失=0.146865

[2026-01-01 22:42:34] 训练进度：批次 108/137 ，当前批损失=0.166611

[2026-01-01 22:42:42] 训练进度：批次 135/137 ，当前批损失=0.165068

[2026-01-01 22:42:44] 轮次=4 | 训练损失=0.160120 | 验证XMSE=0.635076 | 学习率=2.00e-04 [2026-01-01 22:42:44] 本试验最佳已更新：验证XMSE=0.635076

[2026-01-01 22:42:52] 训练进度：批次 27/137 ，当前批损失=0.145793

[2026-01-01 22:43:00] 训练进度：批次 54/137 ，当前批损失=0.141202

[2026-01-01 22:43:09] 训练进度：批次 81/137 ，当前批损失=0.148939

[2026-01-01 22:43:17] 训练进度：批次 108/137 ，当前批损失=0.169695

[2026-01-01 22:43:25] 训练进度：批次 135/137 ，当前批损失=0.190893

[2026-01-01 22:43:27] 轮次=5 | 训练损失=0.153956 | 验证XMSE=0.644743 | 学习率=2.00e-04

[2026-01-01 22:43:35] 训练进度：批次 27/137 ，当前批损失=0.137601

[2026-01-01 22:43:44] 训练进度：批次 54/137 ，当前批损失=0.160693

[2026-01-01 22:43:52] 训练进度：批次 81/137 ，当前批损失=0.140843

[2026-01-01 22:43:59] 训练进度：批次 108/137 ，当前批损失=0.148543

[2026-01-01 22:44:06] 训练进度：批次 135/137 ，当前批损失=0.143921

[2026-01-01 22:44:08] 轮次=6 | 训练损失=0.149196 | 验证XMSE=0.653181 | 学习率=2.00e-04

[2026-01-01 22:44:15] 训练进度：批次 27/137 ，当前批损失=0.158321

[2026-01-01 22:44:23] 训练进度：批次 54/137 ，当前批损失=0.134977

[2026-01-01 22:44:31] 训练进度：批次 81/137 ，当前批损失=0.157834

[2026-01-01 22:44:40] 训练进度：批次 108/137 ，当前批损失=0.166069

[2026-01-01 22:44:47] 训练进度：批次 135/137 ，当前批损失=0.109648

[2026-01-01 22:44:49] 轮次=7 | 训练损失=0.146688 | 验证XMSE=0.647667 | 学习率=2.00e-04

[2026-01-01 22:44:56] 训练进度：批次 27/137 ，当前批损失=0.208409

[2026-01-01 22:45:03] 训练进度：批次 54/137 ，当前批损失=0.149547

[2026-01-01 22:45:11] 训练进度：批次 81/137 ，当前批损失=0.127376

[2026-01-01 22:45:20] 训练进度：批次 108/137 ，当前批损失=0.148870

[2026-01-01 22:45:28] 训练进度：批次 135/137 ，当前批损失=0.147047

[2026-01-01 22:45:30] 轮次=8 | 训练损失=0.143953 | 验证XMSE=0.626065 | 学习率=2.00e-04 [2026-01-01 22:45:30] 本试验最佳已更新：验证XMSE=0.626065

[2026-01-01 22:45:37] 训练进度：批次 27/137 ，当前批损失=0.122128

[2026-01-01 22:45:44] 训练进度：批次 54/137 ，当前批损失=0.124959

[2026-01-01 22:45:52] 训练进度：批次 81/137 ，当前批损失=0.145368

[2026-01-01 22:46:00] 训练进度：批次 108/137 ，当前批损失=0.145243

[2026-01-01 22:46:08] 训练进度：批次 135/137 ，当前批损失=0.145521

[2026-01-01 22:46:11] 轮次=9 | 训练损失=0.142313 | 验证XMSE=0.628327 | 学习率=2.00e-04

[2026-01-01 22:46:19] 训练进度：批次 27/137 ，当前批损失=0.143902

[2026-01-01 22:46:27] 训练进度：批次 54/137 ，当前批损失=0.143416

[2026-01-01 22:46:34] 训练进度：批次 81/137 ，当前批损失=0.139085

[2026-01-01 22:46:42] 训练进度：批次 108/137 ，当前批损失=0.156156

[2026-01-01 22:46:49] 训练进度：批次 135/137 ，当前批损失=0.134907

[2026-01-01 22:46:51] 轮次=10 | 训练损失=0.139955 | 验证XMSE=0.632740 | 学习率=2.00e-04

[2026-01-01 22:46:58] 训练进度：批次 27/137 ，当前批损失=0.159864

[2026-01-01 22:47:05] 训练进度：批次 54/137 ，当前批损失=0.135640

[2026-01-01 22:47:12] 训练进度：批次 81/137 ，当前批损失=0.124236

[2026-01-01 22:47:19] 训练进度：批次 108/137 ，当前批损失=0.125882

[2026-01-01 22:47:27] 训练进度：批次 135/137 ，当前批损失=0.130909

[2026-01-01 22:47:29] 轮次=11 | 训练损失=0.138143 | 验证XMSE=0.633532 | 学习率=1.00e-04

[2026-01-01 22:47:37] 训练进度：批次 27/137 ，当前批损失=0.128483

[2026-01-01 22:47:44] 训练进度：批次 54/137 ，当前批损失=0.138150

[2026-01-01 22:47:51] 训练进度：批次 81/137 ，当前批损失=0.117798

[2026-01-01 22:47:58] 训练进度：批次 108/137 ，当前批损失=0.146904

[2026-01-01 22:48:05] 训练进度：批次 135/137 ，当前批损失=0.140409

[2026-01-01 22:48:07] 轮次=12 | 训练损失=0.137655 | 验证XMSE=0.634790 | 学习率=1.00e-04

[2026-01-01 22:48:14] 训练进度：批次 27/137 ，当前批损失=0.128899

[2026-01-01 22:48:21] 训练进度：批次 54/137 ，当前批损失=0.118337

[2026-01-01 22:48:28] 训练进度：批次 81/137 ，当前批损失=0.103623

[2026-01-01 22:48:35] 训练进度：批次 108/137 ，当前批损失=0.137933

[2026-01-01 22:48:42] 训练进度：批次 135/137 ，当前批损失=0.121370

[2026-01-01 22:48:43] 轮次=13 | 训练损失=0.136293 | 验证XMSE=0.615136 | 学习率=1.00e-04 [2026-01-01 22:48:43] 本试验最佳已更新：验证XMSE=0.615136

[2026-01-01 22:48:50] 训练进度：批次 27/137 ，当前批损失=0.144106

[2026-01-01 22:48:59] 训练进度：批次 54/137 ，当前批损失=0.133467

[2026-01-01 22:49:06] 训练进度：批次 81/137 ，当前批损失=0.134644

[2026-01-01 22:49:12] 训练进度：批次 108/137 ，当前批损失=0.126170

[2026-01-01 22:49:19] 训练进度：批次 135/137 ，当前批损失=0.138549

[2026-01-01 22:49:21] 轮次=14 | 训练损失=0.136274 | 验证XMSE=0.629623 | 学习率=1.00e-04

[2026-01-01 22:49:27] 训练进度：批次 27/137 ，当前批损失=0.130631

[2026-01-01 22:49:33] 训练进度：批次 54/137 ，当前批损失=0.141449

[2026-01-01 22:49:40] 训练进度：批次 81/137 ，当前批损失=0.134617

[2026-01-01 22:49:48] 训练进度：批次 108/137 ，当前批损失=0.157920

[2026-01-01 22:49:56] 训练进度：批次 135/137 ，当前批损失=0.158367

[2026-01-01 22:49:58] 轮次=15 | 训练损失=0.135574 | 验证XMSE=0.622393 | 学习率=1.00e-04

[2026-01-01 22:50:07] 训练进度：批次 27/137 ，当前批损失=0.124570

[2026-01-01 22:50:15] 训练进度：批次 54/137 ，当前批损失=0.125864

[2026-01-01 22:50:23] 训练进度：批次 81/137 ，当前批损失=0.125330

[2026-01-01 22:50:31] 训练进度：批次 108/137 ，当前批损失=0.158657

[2026-01-01 22:50:40] 训练进度：批次 135/137 ，当前批损失=0.130794

[2026-01-01 22:50:42] 轮次=16 | 训练损失=0.134833 | 验证XMSE=0.619612 | 学习率=1.00e-04

[2026-01-01 22:50:51] 训练进度：批次 27/137 ，当前批损失=0.155048

[2026-01-01 22:50:58] 训练进度：批次 54/137 ，当前批损失=0.128106

[2026-01-01 22:51:05] 训练进度：批次 81/137 ，当前批损失=0.178697

[2026-01-01 22:51:12] 训练进度：批次 108/137 ，当前批损失=0.135290

[2026-01-01 22:51:20] 训练进度：批次 135/137 ，当前批损失=0.163215

[2026-01-01 22:51:22] 轮次=17 | 训练损失=0.134983 | 验证XMSE=0.626823 | 学习率=1.00e-04

[2026-01-01 22:51:30] 训练进度：批次 27/137 ，当前批损失=0.159095

[2026-01-01 22:51:37] 训练进度：批次 54/137 ，当前批损失=0.141064

[2026-01-01 22:51:44] 训练进度：批次 81/137 ，当前批损失=0.173068

[2026-01-01 22:51:51] 训练进度：批次 108/137 ，当前批损失=0.128817

[2026-01-01 22:51:58] 训练进度：批次 135/137 ，当前批损失=0.125221

[2026-01-01 22:52:00] 轮次=18 | 训练损失=0.134504 | 验证XMSE=0.616993 | 学习率=1.00e-04

[2026-01-01 22:52:09] 训练进度：批次 27/137 ，当前批损失=0.125481

[2026-01-01 22:52:17] 训练进度：批次 54/137 ，当前批损失=0.146590

[2026-01-01 22:52:26] 训练进度：批次 81/137 ，当前批损失=0.110663

[2026-01-01 22:52:34] 训练进度：批次 108/137 ，当前批损失=0.126182

[2026-01-01 22:52:43] 训练进度：批次 135/137 ，当前批损失=0.131938

[2026-01-01 22:52:45] 轮次=19 | 训练损失=0.133096 | 验证XMSE=0.620394 | 学习率=1.00e-04

[2026-01-01 22:52:53] 训练进度：批次 27/137 ，当前批损失=0.124537

[2026-01-01 22:53:02] 训练进度：批次 54/137 ，当前批损失=0.152470

[2026-01-01 22:53:10] 训练进度：批次 81/137 ，当前批损失=0.119585

[2026-01-01 22:53:18] 训练进度：批次 108/137 ，当前批损失=0.126891

[2026-01-01 22:53:26] 训练进度：批次 135/137 ，当前批损失=0.143906

[2026-01-01 22:53:28] 轮次=20 | 训练损失=0.132478 | 验证XMSE=0.616241 | 学习率=1.00e-04

[2026-01-01 22:53:35] 训练进度：批次 27/137 ，当前批损失=0.150405

[2026-01-01 22:53:42] 训练进度：批次 54/137 ，当前批损失=0.151382

[2026-01-01 22:53:49] 训练进度：批次 81/137 ，当前批损失=0.131885

[2026-01-01 22:53:57] 训练进度：批次 108/137 ，当前批损失=0.145448

[2026-01-01 22:54:04] 训练进度：批次 135/137 ，当前批损失=0.122865

[2026-01-01 22:54:06] 轮次=21 | 训练损失=0.132546 | 验证XMSE=0.612125 | 学习率=5.00e-05 [2026-01-01 22:54:06] 本试验最佳已更新：验证XMSE=0.612125

[2026-01-01 22:54:15] 训练进度：批次 27/137 ，当前批损失=0.135561

[2026-01-01 22:54:22] 训练进度：批次 54/137 ，当前批损失=0.126879

[2026-01-01 22:54:29] 训练进度：批次 81/137 ，当前批损失=0.117530

[2026-01-01 22:54:36] 训练进度：批次 108/137 ，当前批损失=0.126005

[2026-01-01 22:54:43] 训练进度：批次 135/137 ，当前批损失=0.127693

[2026-01-01 22:54:45] 轮次=22 | 训练损失=0.132608 | 验证XMSE=0.619647 | 学习率=5.00e-05

[2026-01-01 22:54:53] 训练进度：批次 27/137 ，当前批损失=0.110700

[2026-01-01 22:55:02] 训练进度：批次 54/137 ，当前批损失=0.139746

[2026-01-01 22:55:10] 训练进度：批次 81/137 ，当前批损失=0.139056

[2026-01-01 22:55:17] 训练进度：批次 108/137 ，当前批损失=0.151351

[2026-01-01 22:55:24] 训练进度：批次 135/137 ，当前批损失=0.132576

[2026-01-01 22:55:26] 轮次=23 | 训练损失=0.131889 | 验证XMSE=0.616114 | 学习率=5.00e-05

[2026-01-01 22:55:33] 训练进度：批次 27/137 ，当前批损失=0.129243

[2026-01-01 22:55:40] 训练进度：批次 54/137 ，当前批损失=0.125705

[2026-01-01 22:55:47] 训练进度：批次 81/137 ，当前批损失=0.134715

[2026-01-01 22:55:54] 训练进度：批次 108/137 ，当前批损失=0.143837

[2026-01-01 22:56:01] 训练进度：批次 135/137 ，当前批损失=0.156789

[2026-01-01 22:56:03] 轮次=24 | 训练损失=0.131011 | 验证XMSE=0.615110 | 学习率=5.00e-05

[2026-01-01 22:56:10] 训练进度：批次 27/137 ，当前批损失=0.134832

[2026-01-01 22:56:17] 训练进度：批次 54/137 ，当前批损失=0.122468

[2026-01-01 22:56:25] 训练进度：批次 81/137 ，当前批损失=0.130058

[2026-01-01 22:56:33] 训练进度：批次 108/137 ，当前批损失=0.126408

[2026-01-01 22:56:40] 训练进度：批次 135/137 ，当前批损失=0.125225

[2026-01-01 22:56:42] 轮次=25 | 训练损失=0.131186 | 验证XMSE=0.612861 | 学习率=5.00e-05

[2026-01-01 22:56:49] 训练进度：批次 27/137 ，当前批损失=0.135158

[2026-01-01 22:56:56] 训练进度：批次 54/137 ，当前批损失=0.129630

[2026-01-01 22:57:03] 训练进度：批次 81/137 ，当前批损失=0.113211

[2026-01-01 22:57:11] 训练进度：批次 108/137 ，当前批损失=0.118069

[2026-01-01 22:57:18] 训练进度：批次 135/137 ，当前批损失=0.117250

[2026-01-01 22:57:20] 轮次=26 | 训练损失=0.130939 | 验证XMSE=0.616112 | 学习率=5.00e-05

[2026-01-01 22:57:27] 训练进度：批次 27/137 ，当前批损失=0.121139

[2026-01-01 22:57:34] 训练进度：批次 54/137 ，当前批损失=0.124054

[2026-01-01 22:57:41] 训练进度：批次 81/137 ，当前批损失=0.137295

[2026-01-01 22:57:48] 训练进度：批次 108/137 ，当前批损失=0.124564

[2026-01-01 22:57:56] 训练进度：批次 135/137 ，当前批损失=0.144481

[2026-01-01 22:57:58] 轮次=27 | 训练损失=0.131047 | 验证XMSE=0.616311 | 学习率=5.00e-05

[2026-01-01 22:58:05] 训练进度：批次 27/137 ，当前批损失=0.125257

[2026-01-01 22:58:12] 训练进度：批次 54/137 ，当前批损失=0.132715

[2026-01-01 22:58:18] 训练进度：批次 81/137 ，当前批损失=0.130320

[2026-01-01 22:58:24] 训练进度：批次 108/137 ，当前批损失=0.112765

[2026-01-01 22:58:31] 训练进度：批次 135/137 ，当前批损失=0.140455

[2026-01-01 22:58:32] 轮次=28 | 训练损失=0.130942 | 验证XMSE=0.611065 | 学习率=5.00e-05 [2026-01-01 22:58:32] 本试验最佳已更新：验证XMSE=0.611065

[2026-01-01 22:58:40] 训练进度：批次 27/137 ，当前批损失=0.127366

[2026-01-01 22:58:47] 训练进度：批次 54/137 ，当前批损失=0.154765

[2026-01-01 22:58:54] 训练进度：批次 81/137 ，当前批损失=0.118697

[2026-01-01 22:59:01] 训练进度：批次 108/137 ，当前批损失=0.122209

[2026-01-01 22:59:09] 训练进度：批次 135/137 ，当前批损失=0.121317

[2026-01-01 22:59:11] 轮次=29 | 训练损失=0.130314 | 验证XMSE=0.614380 | 学习率=5.00e-05

[2026-01-01 22:59:18] 训练进度：批次 27/137 ，当前批损失=0.136295

[2026-01-01 22:59:26] 训练进度：批次 54/137 ，当前批损失=0.147568

[2026-01-01 22:59:34] 训练进度：批次 81/137 ，当前批损失=0.108621

[2026-01-01 22:59:41] 训练进度：批次 108/137 ，当前批损失=0.120669

[2026-01-01 22:59:48] 训练进度：批次 135/137 ，当前批损失=0.128940

[2026-01-01 22:59:50] 轮次=30 | 训练损失=0.130740 | 验证XMSE=0.610986 | 学习率=5.00e-05 [2026-01-01 22:59:50] 本试验最佳已更新：验证XMSE=0.610986

[2026-01-01 22:59:57] 训练进度：批次 27/137 ，当前批损失=0.143248

[2026-01-01 23:00:04] 训练进度：批次 54/137 ，当前批损失=0.128465

[2026-01-01 23:00:12] 训练进度：批次 81/137 ，当前批损失=0.117990

[2026-01-01 23:00:20] 训练进度：批次 108/137 ，当前批损失=0.140121

[2026-01-01 23:00:27] 训练进度：批次 135/137 ，当前批损失=0.139013

[2026-01-01 23:00:29] 轮次=31 | 训练损失=0.129412 | 验证XMSE=0.608129 | 学习率=2.50e-05 [2026-01-01 23:00:29] 本试验最佳已更新：验证XMSE=0.608129

[2026-01-01 23:00:36] 训练进度：批次 27/137 ，当前批损失=0.123273

[2026-01-01 23:00:43] 训练进度：批次 54/137 ，当前批损失=0.140379

[2026-01-01 23:00:50] 训练进度：批次 81/137 ，当前批损失=0.133169

[2026-01-01 23:00:58] 训练进度：批次 108/137 ，当前批损失=0.149308

[2026-01-01 23:01:06] 训练进度：批次 135/137 ，当前批损失=0.101142

[2026-01-01 23:01:09] 轮次=32 | 训练损失=0.129480 | 验证XMSE=0.606598 | 学习率=2.50e-05 [2026-01-01 23:01:09] 本试验最佳已更新：验证XMSE=0.606598

[2026-01-01 23:01:17] 训练进度：批次 27/137 ，当前批损失=0.136260

[2026-01-01 23:01:26] 训练进度：批次 54/137 ，当前批损失=0.117802

[2026-01-01 23:01:33] 训练进度：批次 81/137 ，当前批损失=0.120872

[2026-01-01 23:01:40] 训练进度：批次 108/137 ，当前批损失=0.106780

[2026-01-01 23:01:49] 训练进度：批次 135/137 ，当前批损失=0.131089

[2026-01-01 23:01:51] 轮次=33 | 训练损失=0.129509 | 验证XMSE=0.610895 | 学习率=2.50e-05

[2026-01-01 23:01:59] 训练进度：批次 27/137 ，当前批损失=0.117876

[2026-01-01 23:02:07] 训练进度：批次 54/137 ，当前批损失=0.116622

[2026-01-01 23:02:14] 训练进度：批次 81/137 ，当前批损失=0.119440

[2026-01-01 23:02:21] 训练进度：批次 108/137 ，当前批损失=0.132524

[2026-01-01 23:02:29] 训练进度：批次 135/137 ，当前批损失=0.126034

[2026-01-01 23:02:31] 轮次=34 | 训练损失=0.130820 | 验证XMSE=0.608812 | 学习率=2.50e-05

[2026-01-01 23:02:38] 训练进度：批次 27/137 ，当前批损失=0.105639

[2026-01-01 23:02:45] 训练进度：批次 54/137 ，当前批损失=0.112009

[2026-01-01 23:02:51] 训练进度：批次 81/137 ，当前批损失=0.124211

[2026-01-01 23:02:59] 训练进度：批次 108/137 ，当前批损失=0.130047

[2026-01-01 23:03:06] 训练进度：批次 135/137 ，当前批损失=0.112869

[2026-01-01 23:03:08] 轮次=35 | 训练损失=0.129498 | 验证XMSE=0.611723 | 学习率=2.50e-05

[2026-01-01 23:03:16] 训练进度：批次 27/137 ，当前批损失=0.133933

[2026-01-01 23:03:23] 训练进度：批次 54/137 ，当前批损失=0.131781

[2026-01-01 23:03:30] 训练进度：批次 81/137 ，当前批损失=0.127050

[2026-01-01 23:03:37] 训练进度：批次 108/137 ，当前批损失=0.141003

[2026-01-01 23:03:45] 训练进度：批次 135/137 ，当前批损失=0.116977

[2026-01-01 23:03:46] 轮次=36 | 训练损失=0.129422 | 验证XMSE=0.608175 | 学习率=2.50e-05

[2026-01-01 23:03:54] 训练进度：批次 27/137 ，当前批损失=0.131666

[2026-01-01 23:04:02] 训练进度：批次 54/137 ，当前批损失=0.102472

[2026-01-01 23:04:09] 训练进度：批次 81/137 ，当前批损失=0.153284

[2026-01-01 23:04:15] 训练进度：批次 108/137 ，当前批损失=0.115236

[2026-01-01 23:04:21] 训练进度：批次 135/137 ，当前批损失=0.138462

[2026-01-01 23:04:23] 轮次=37 | 训练损失=0.129302 | 验证XMSE=0.607926 | 学习率=2.50e-05

[2026-01-01 23:04:29] 训练进度：批次 27/137 ，当前批损失=0.139332

[2026-01-01 23:04:35] 训练进度：批次 54/137 ，当前批损失=0.155844

[2026-01-01 23:04:42] 训练进度：批次 81/137 ，当前批损失=0.130412

[2026-01-01 23:04:51] 训练进度：批次 108/137 ，当前批损失=0.133116

[2026-01-01 23:04:58] 训练进度：批次 135/137 ，当前批损失=0.128774

[2026-01-01 23:05:00] 轮次=38 | 训练损失=0.129183 | 验证XMSE=0.608645 | 学习率=2.50e-05

[2026-01-01 23:05:07] 训练进度：批次 27/137 ，当前批损失=0.130580

[2026-01-01 23:05:15] 训练进度：批次 54/137 ，当前批损失=0.116880

[2026-01-01 23:05:22] 训练进度：批次 81/137 ，当前批损失=0.123604

[2026-01-01 23:05:29] 训练进度：批次 108/137 ，当前批损失=0.144766

[2026-01-01 23:05:37] 训练进度：批次 135/137 ，当前批损失=0.138657

[2026-01-01 23:05:39] 轮次=39 | 训练损失=0.129109 | 验证XMSE=0.609396 | 学习率=2.50e-05

[2026-01-01 23:05:46] 训练进度：批次 27/137 ，当前批损失=0.141117

[2026-01-01 23:05:53] 训练进度：批次 54/137 ，当前批损失=0.121387

[2026-01-01 23:06:01] 训练进度：批次 81/137 ，当前批损失=0.123059

[2026-01-01 23:06:08] 训练进度：批次 108/137 ，当前批损失=0.144909

[2026-01-01 23:06:15] 训练进度：批次 135/137 ，当前批损失=0.125711

[2026-01-01 23:06:17] 轮次=40 | 训练损失=0.128609 | 验证XMSE=0.607288 | 学习率=2.50e-05 [2026-01-01 23:06:17] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 23:06:17] 本次试验未超过当前最佳模型 [2026-01-01 23:06:17] 开始超参数试验 5/8 ：kanZnikts=32 , xbfsCoznt=6 , gxzZnikts=64 , dxopozt=0.15 , leaxnXate=0.001 , qeikghtDecay=5e-05

[2026-01-01 23:06:25] 训练进度：批次 27/137 ，当前批损失=0.247370

[2026-01-01 23:06:32] 训练进度：批次 54/137 ，当前批损失=0.237722

[2026-01-01 23:06:40] 训练进度：批次 81/137 ，当前批损失=0.176706

[2026-01-01 23:06:47] 训练进度：批次 108/137 ，当前批损失=0.173467

[2026-01-01 23:06:55] 训练进度：批次 135/137 ，当前批损失=0.155844

[2026-01-01 23:06:58] 轮次=1 | 训练损失=0.207004 | 验证XMSE=0.567266 | 学习率=1.00e-03 [2026-01-01 23:06:58] 本试验最佳已更新：验证XMSE=0.567266

[2026-01-01 23:07:06] 训练进度：批次 27/137 ，当前批损失=0.141950

[2026-01-01 23:07:14] 训练进度：批次 54/137 ，当前批损失=0.134085

[2026-01-01 23:07:22] 训练进度：批次 81/137 ，当前批损失=0.139532

[2026-01-01 23:07:29] 训练进度：批次 108/137 ，当前批损失=0.183728

[2026-01-01 23:07:37] 训练进度：批次 135/137 ，当前批损失=0.141365

[2026-01-01 23:07:39] 轮次=2 | 训练损失=0.150852 | 验证XMSE=0.569064 | 学习率=1.00e-03

[2026-01-01 23:07:46] 训练进度：批次 27/137 ，当前批损失=0.152078

[2026-01-01 23:07:54] 训练进度：批次 54/137 ，当前批损失=0.119276

[2026-01-01 23:08:02] 训练进度：批次 81/137 ，当前批损失=0.154355

[2026-01-01 23:08:09] 训练进度：批次 108/137 ，当前批损失=0.140459

[2026-01-01 23:08:16] 训练进度：批次 135/137 ，当前批损失=0.139984

[2026-01-01 23:08:18] 轮次=3 | 训练损失=0.143082 | 验证XMSE=0.557969 | 学习率=1.00e-03 [2026-01-01 23:08:18] 本试验最佳已更新：验证XMSE=0.557969

[2026-01-01 23:08:25] 训练进度：批次 27/137 ，当前批损失=0.149977

[2026-01-01 23:08:33] 训练进度：批次 54/137 ，当前批损失=0.129464

[2026-01-01 23:08:40] 训练进度：批次 81/137 ，当前批损失=0.136143

[2026-01-01 23:08:48] 训练进度：批次 108/137 ，当前批损失=0.143679

[2026-01-01 23:08:55] 训练进度：批次 135/137 ，当前批损失=0.128354

[2026-01-01 23:08:57] 轮次=4 | 训练损失=0.139491 | 验证XMSE=0.525763 | 学习率=1.00e-03 [2026-01-01 23:08:57] 本试验最佳已更新：验证XMSE=0.525763

[2026-01-01 23:09:04] 训练进度：批次 27/137 ，当前批损失=0.123791

[2026-01-01 23:09:11] 训练进度：批次 54/137 ，当前批损失=0.123815

[2026-01-01 23:09:19] 训练进度：批次 81/137 ，当前批损失=0.153880

[2026-01-01 23:09:26] 训练进度：批次 108/137 ，当前批损失=0.122903

[2026-01-01 23:09:33] 训练进度：批次 135/137 ，当前批损失=0.133577

[2026-01-01 23:09:35] 轮次=5 | 训练损失=0.135465 | 验证XMSE=0.559704 | 学习率=1.00e-03

[2026-01-01 23:09:43] 训练进度：批次 27/137 ，当前批损失=0.126062

[2026-01-01 23:09:50] 训练进度：批次 54/137 ，当前批损失=0.161307

[2026-01-01 23:09:57] 训练进度：批次 81/137 ，当前批损失=0.151994

[2026-01-01 23:10:04] 训练进度：批次 108/137 ，当前批损失=0.132214

[2026-01-01 23:10:12] 训练进度：批次 135/137 ，当前批损失=0.133998

[2026-01-01 23:10:14] 轮次=6 | 训练损失=0.131554 | 验证XMSE=0.539080 | 学习率=1.00e-03

[2026-01-01 23:10:21] 训练进度：批次 27/137 ，当前批损失=0.109531

[2026-01-01 23:10:29] 训练进度：批次 54/137 ，当前批损失=0.135562

[2026-01-01 23:10:36] 训练进度：批次 81/137 ，当前批损失=0.135290

[2026-01-01 23:10:44] 训练进度：批次 108/137 ，当前批损失=0.129304

[2026-01-01 23:10:51] 训练进度：批次 135/137 ，当前批损失=0.122552

[2026-01-01 23:10:54] 轮次=7 | 训练损失=0.129852 | 验证XMSE=0.548786 | 学习率=1.00e-03

[2026-01-01 23:11:01] 训练进度：批次 27/137 ，当前批损失=0.121343

[2026-01-01 23:11:09] 训练进度：批次 54/137 ，当前批损失=0.156322

[2026-01-01 23:11:16] 训练进度：批次 81/137 ，当前批损失=0.121769

[2026-01-01 23:11:23] 训练进度：批次 108/137 ，当前批损失=0.135572

[2026-01-01 23:11:30] 训练进度：批次 135/137 ，当前批损失=0.128509

[2026-01-01 23:11:32] 轮次=8 | 训练损失=0.128222 | 验证XMSE=0.534991 | 学习率=1.00e-03

[2026-01-01 23:11:40] 训练进度：批次 27/137 ，当前批损失=0.133639

[2026-01-01 23:11:49] 训练进度：批次 54/137 ，当前批损失=0.122669

[2026-01-01 23:11:56] 训练进度：批次 81/137 ，当前批损失=0.130237

[2026-01-01 23:12:04] 训练进度：批次 108/137 ，当前批损失=0.121388

[2026-01-01 23:12:11] 训练进度：批次 135/137 ，当前批损失=0.137021

[2026-01-01 23:12:13] 轮次=9 | 训练损失=0.126166 | 验证XMSE=0.540190 | 学习率=1.00e-03

[2026-01-01 23:12:20] 训练进度：批次 27/137 ，当前批损失=0.122825

[2026-01-01 23:12:29] 训练进度：批次 54/137 ，当前批损失=0.124706

[2026-01-01 23:12:37] 训练进度：批次 81/137 ，当前批损失=0.123801

[2026-01-01 23:12:44] 训练进度：批次 108/137 ，当前批损失=0.124063

[2026-01-01 23:12:51] 训练进度：批次 135/137 ，当前批损失=0.106938

[2026-01-01 23:12:53] 轮次=10 | 训练损失=0.125659 | 验证XMSE=0.550716 | 学习率=1.00e-03

[2026-01-01 23:13:01] 训练进度：批次 27/137 ，当前批损失=0.114554

[2026-01-01 23:13:09] 训练进度：批次 54/137 ，当前批损失=0.122935

[2026-01-01 23:13:16] 训练进度：批次 81/137 ，当前批损失=0.104564

[2026-01-01 23:13:24] 训练进度：批次 108/137 ，当前批损失=0.116285

[2026-01-01 23:13:31] 训练进度：批次 135/137 ，当前批损失=0.110823

[2026-01-01 23:13:33] 轮次=11 | 训练损失=0.121473 | 验证XMSE=0.551090 | 学习率=5.00e-04

[2026-01-01 23:13:40] 训练进度：批次 27/137 ，当前批损失=0.117492

[2026-01-01 23:13:48] 训练进度：批次 54/137 ，当前批损失=0.117426

[2026-01-01 23:13:56] 训练进度：批次 81/137 ，当前批损失=0.121276

[2026-01-01 23:14:04] 训练进度：批次 108/137 ，当前批损失=0.122990

[2026-01-01 23:14:11] 训练进度：批次 135/137 ，当前批损失=0.114769

[2026-01-01 23:14:12] 轮次=12 | 训练损失=0.121168 | 验证XMSE=0.523406 | 学习率=5.00e-04 [2026-01-01 23:14:12] 本试验最佳已更新：验证XMSE=0.523406

[2026-01-01 23:14:19] 训练进度：批次 27/137 ，当前批损失=0.117404

[2026-01-01 23:14:25] 训练进度：批次 54/137 ，当前批损失=0.113206

[2026-01-01 23:14:31] 训练进度：批次 81/137 ，当前批损失=0.113955

[2026-01-01 23:14:38] 训练进度：批次 108/137 ，当前批损失=0.115292

[2026-01-01 23:14:44] 训练进度：批次 135/137 ，当前批损失=0.106466

[2026-01-01 23:14:46] 轮次=13 | 训练损失=0.120620 | 验证XMSE=0.533759 | 学习率=5.00e-04

[2026-01-01 23:14:53] 训练进度：批次 27/137 ，当前批损失=0.131398

[2026-01-01 23:15:00] 训练进度：批次 54/137 ，当前批损失=0.116241

[2026-01-01 23:15:07] 训练进度：批次 81/137 ，当前批损失=0.121483

[2026-01-01 23:15:14] 训练进度：批次 108/137 ，当前批损失=0.123399

[2026-01-01 23:15:21] 训练进度：批次 135/137 ，当前批损失=0.119288

[2026-01-01 23:15:22] 轮次=14 | 训练损失=0.119385 | 验证XMSE=0.534106 | 学习率=5.00e-04

[2026-01-01 23:15:29] 训练进度：批次 27/137 ，当前批损失=0.118683

[2026-01-01 23:15:36] 训练进度：批次 54/137 ，当前批损失=0.138246

[2026-01-01 23:15:44] 训练进度：批次 81/137 ，当前批损失=0.107433

[2026-01-01 23:15:51] 训练进度：批次 108/137 ，当前批损失=0.120127

[2026-01-01 23:15:58] 训练进度：批次 135/137 ，当前批损失=0.094992

[2026-01-01 23:16:00] 轮次=15 | 训练损失=0.119078 | 验证XMSE=0.557247 | 学习率=5.00e-04

[2026-01-01 23:16:07] 训练进度：批次 27/137 ，当前批损失=0.105493

[2026-01-01 23:16:14] 训练进度：批次 54/137 ，当前批损失=0.106436

[2026-01-01 23:16:21] 训练进度：批次 81/137 ，当前批损失=0.118816

[2026-01-01 23:16:28] 训练进度：批次 108/137 ，当前批损失=0.120060

[2026-01-01 23:16:35] 训练进度：批次 135/137 ，当前批损失=0.110965

[2026-01-01 23:16:37] 轮次=16 | 训练损失=0.118966 | 验证XMSE=0.533831 | 学习率=5.00e-04

[2026-01-01 23:16:43] 训练进度：批次 27/137 ，当前批损失=0.120184

[2026-01-01 23:16:50] 训练进度：批次 54/137 ，当前批损失=0.123812

[2026-01-01 23:16:57] 训练进度：批次 81/137 ，当前批损失=0.137570

[2026-01-01 23:17:04] 训练进度：批次 108/137 ，当前批损失=0.111489

[2026-01-01 23:17:11] 训练进度：批次 135/137 ，当前批损失=0.117348

[2026-01-01 23:17:13] 轮次=17 | 训练损失=0.118185 | 验证XMSE=0.528727 | 学习率=5.00e-04

[2026-01-01 23:17:20] 训练进度：批次 27/137 ，当前批损失=0.114928

[2026-01-01 23:17:26] 训练进度：批次 54/137 ，当前批损失=0.109873

[2026-01-01 23:17:33] 训练进度：批次 81/137 ，当前批损失=0.124016

[2026-01-01 23:17:40] 训练进度：批次 108/137 ，当前批损失=0.126522

[2026-01-01 23:17:47] 训练进度：批次 135/137 ，当前批损失=0.127494

[2026-01-01 23:17:49] 轮次=18 | 训练损失=0.118084 | 验证XMSE=0.551566 | 学习率=5.00e-04

[2026-01-01 23:17:56] 训练进度：批次 27/137 ，当前批损失=0.108530

[2026-01-01 23:18:03] 训练进度：批次 54/137 ，当前批损失=0.103218

[2026-01-01 23:18:10] 训练进度：批次 81/137 ，当前批损失=0.112407

[2026-01-01 23:18:17] 训练进度：批次 108/137 ，当前批损失=0.120617

[2026-01-01 23:18:24] 训练进度：批次 135/137 ，当前批损失=0.117516

[2026-01-01 23:18:25] 轮次=19 | 训练损失=0.118165 | 验证XMSE=0.541302 | 学习率=5.00e-04

[2026-01-01 23:18:32] 训练进度：批次 27/137 ，当前批损失=0.089884

[2026-01-01 23:18:39] 训练进度：批次 54/137 ，当前批损失=0.121666

[2026-01-01 23:18:46] 训练进度：批次 81/137 ，当前批损失=0.105523

[2026-01-01 23:18:53] 训练进度：批次 108/137 ，当前批损失=0.132754

[2026-01-01 23:19:00] 训练进度：批次 135/137 ，当前批损失=0.106515

[2026-01-01 23:19:02] 轮次=20 | 训练损失=0.117279 | 验证XMSE=0.563764 | 学习率=5.00e-04 [2026-01-01 23:19:02] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 23:19:02] 本次试验未超过当前最佳模型 [2026-01-01 23:19:02] 开始超参数试验 6/8 ：kanZnikts=32 , xbfsCoznt=8 , gxzZnikts=96 , dxopozt=0.1 , leaxnXate=0.0005 , qeikghtDecay=5e-05

[2026-01-01 23:19:09] 训练进度：批次 27/137 ，当前批损失=0.244060

[2026-01-01 23:19:16] 训练进度：批次 54/137 ，当前批损失=0.165354

[2026-01-01 23:19:23] 训练进度：批次 81/137 ，当前批损失=0.157702

[2026-01-01 23:19:29] 训练进度：批次 108/137 ，当前批损失=0.153712

[2026-01-01 23:19:36] 训练进度：批次 135/137 ，当前批损失=0.154928

[2026-01-01 23:19:38] 轮次=1 | 训练损失=0.221349 | 验证XMSE=0.587555 | 学习率=5.00e-04 [2026-01-01 23:19:38] 本试验最佳已更新：验证XMSE=0.587555

[2026-01-01 23:19:45] 训练进度：批次 27/137 ，当前批损失=0.143203

[2026-01-01 23:19:52] 训练进度：批次 54/137 ，当前批损失=0.149272

[2026-01-01 23:19:58] 训练进度：批次 81/137 ，当前批损失=0.155502

[2026-01-01 23:20:05] 训练进度：批次 108/137 ，当前批损失=0.141510

[2026-01-01 23:20:12] 训练进度：批次 135/137 ，当前批损失=0.155556

[2026-01-01 23:20:13] 轮次=2 | 训练损失=0.154404 | 验证XMSE=0.569544 | 学习率=5.00e-04 [2026-01-01 23:20:13] 本试验最佳已更新：验证XMSE=0.569544

[2026-01-01 23:20:20] 训练进度：批次 27/137 ，当前批损失=0.153947

[2026-01-01 23:20:27] 训练进度：批次 54/137 ，当前批损失=0.155968

[2026-01-01 23:20:33] 训练进度：批次 81/137 ，当前批损失=0.165032

[2026-01-01 23:20:40] 训练进度：批次 108/137 ，当前批损失=0.131381

[2026-01-01 23:20:47] 训练进度：批次 135/137 ，当前批损失=0.146181

[2026-01-01 23:20:48] 轮次=3 | 训练损失=0.145791 | 验证XMSE=0.570521 | 学习率=5.00e-04

[2026-01-01 23:20:55] 训练进度：批次 27/137 ，当前批损失=0.173041

[2026-01-01 23:21:01] 训练进度：批次 54/137 ，当前批损失=0.145747

[2026-01-01 23:21:08] 训练进度：批次 81/137 ，当前批损失=0.152513

[2026-01-01 23:21:14] 训练进度：批次 108/137 ，当前批损失=0.137439

[2026-01-01 23:21:21] 训练进度：批次 135/137 ，当前批损失=0.100999

[2026-01-01 23:21:23] 轮次=4 | 训练损失=0.142699 | 验证XMSE=0.567992 | 学习率=5.00e-04 [2026-01-01 23:21:23] 本试验最佳已更新：验证XMSE=0.567992

[2026-01-01 23:21:29] 训练进度：批次 27/137 ，当前批损失=0.136245

[2026-01-01 23:21:36] 训练进度：批次 54/137 ，当前批损失=0.139843

[2026-01-01 23:21:42] 训练进度：批次 81/137 ，当前批损失=0.151321

[2026-01-01 23:21:49] 训练进度：批次 108/137 ，当前批损失=0.117994

[2026-01-01 23:21:55] 训练进度：批次 135/137 ，当前批损失=0.144898

[2026-01-01 23:21:57] 轮次=5 | 训练损失=0.138762 | 验证XMSE=0.568750 | 学习率=5.00e-04

[2026-01-01 23:22:04] 训练进度：批次 27/137 ，当前批损失=0.134787

[2026-01-01 23:22:10] 训练进度：批次 54/137 ，当前批损失=0.188927

[2026-01-01 23:22:17] 训练进度：批次 81/137 ，当前批损失=0.142639

[2026-01-01 23:22:23] 训练进度：批次 108/137 ，当前批损失=0.136797

[2026-01-01 23:22:30] 训练进度：批次 135/137 ，当前批损失=0.149154

[2026-01-01 23:22:32] 轮次=6 | 训练损失=0.136438 | 验证XMSE=0.552755 | 学习率=5.00e-04 [2026-01-01 23:22:32] 本试验最佳已更新：验证XMSE=0.552755

[2026-01-01 23:22:38] 训练进度：批次 27/137 ，当前批损失=0.128781

[2026-01-01 23:22:45] 训练进度：批次 54/137 ，当前批损失=0.124335

[2026-01-01 23:22:51] 训练进度：批次 81/137 ，当前批损失=0.128902

[2026-01-01 23:22:58] 训练进度：批次 108/137 ，当前批损失=0.138562

[2026-01-01 23:23:04] 训练进度：批次 135/137 ，当前批损失=0.122460

[2026-01-01 23:23:06] 轮次=7 | 训练损失=0.132909 | 验证XMSE=0.569640 | 学习率=5.00e-04

[2026-01-01 23:23:12] 训练进度：批次 27/137 ，当前批损失=0.150594

[2026-01-01 23:23:19] 训练进度：批次 54/137 ，当前批损失=0.152554

[2026-01-01 23:23:25] 训练进度：批次 81/137 ，当前批损失=0.139629

[2026-01-01 23:23:32] 训练进度：批次 108/137 ，当前批损失=0.122870

[2026-01-01 23:23:38] 训练进度：批次 135/137 ，当前批损失=0.126898

[2026-01-01 23:23:40] 轮次=8 | 训练损失=0.131427 | 验证XMSE=0.557180 | 学习率=5.00e-04

[2026-01-01 23:23:47] 训练进度：批次 27/137 ，当前批损失=0.133996

[2026-01-01 23:23:54] 训练进度：批次 54/137 ，当前批损失=0.122744

[2026-01-01 23:24:00] 训练进度：批次 81/137 ，当前批损失=0.125146

[2026-01-01 23:24:07] 训练进度：批次 108/137 ，当前批损失=0.128049

[2026-01-01 23:24:14] 训练进度：批次 135/137 ，当前批损失=0.130971

[2026-01-01 23:24:16] 轮次=9 | 训练损失=0.129994 | 验证XMSE=0.579470 | 学习率=5.00e-04

[2026-01-01 23:24:23] 训练进度：批次 27/137 ，当前批损失=0.139164

[2026-01-01 23:24:29] 训练进度：批次 54/137 ，当前批损失=0.129404

[2026-01-01 23:24:36] 训练进度：批次 81/137 ，当前批损失=0.134701

[2026-01-01 23:24:43] 训练进度：批次 108/137 ，当前批损失=0.106102

[2026-01-01 23:24:49] 训练进度：批次 135/137 ，当前批损失=0.119200

[2026-01-01 23:24:51] 轮次=10 | 训练损失=0.128185 | 验证XMSE=0.577951 | 学习率=5.00e-04

[2026-01-01 23:24:58] 训练进度：批次 27/137 ，当前批损失=0.121012

[2026-01-01 23:25:04] 训练进度：批次 54/137 ，当前批损失=0.130897

[2026-01-01 23:25:11] 训练进度：批次 81/137 ，当前批损失=0.121318

[2026-01-01 23:25:18] 训练进度：批次 108/137 ，当前批损失=0.123085

[2026-01-01 23:25:25] 训练进度：批次 135/137 ，当前批损失=0.143852

[2026-01-01 23:25:26] 轮次=11 | 训练损失=0.125232 | 验证XMSE=0.550461 | 学习率=2.50e-04 [2026-01-01 23:25:26] 本试验最佳已更新：验证XMSE=0.550461

[2026-01-01 23:25:33] 训练进度：批次 27/137 ，当前批损失=0.125939

[2026-01-01 23:25:39] 训练进度：批次 54/137 ，当前批损失=0.124526

[2026-01-01 23:25:46] 训练进度：批次 81/137 ，当前批损失=0.121021

[2026-01-01 23:25:53] 训练进度：批次 108/137 ，当前批损失=0.139065

[2026-01-01 23:25:59] 训练进度：批次 135/137 ，当前批损失=0.124020

[2026-01-01 23:26:01] 轮次=12 | 训练损失=0.124651 | 验证XMSE=0.545774 | 学习率=2.50e-04 [2026-01-01 23:26:01] 本试验最佳已更新：验证XMSE=0.545774

[2026-01-01 23:26:08] 训练进度：批次 27/137 ，当前批损失=0.104316

[2026-01-01 23:26:15] 训练进度：批次 54/137 ，当前批损失=0.107288

[2026-01-01 23:26:22] 训练进度：批次 81/137 ，当前批损失=0.108481

[2026-01-01 23:26:28] 训练进度：批次 108/137 ，当前批损失=0.123940

[2026-01-01 23:26:35] 训练进度：批次 135/137 ，当前批损失=0.127162

[2026-01-01 23:26:37] 轮次=13 | 训练损失=0.123445 | 验证XMSE=0.569757 | 学习率=2.50e-04

[2026-01-01 23:26:44] 训练进度：批次 27/137 ，当前批损失=0.118824

[2026-01-01 23:26:51] 训练进度：批次 54/137 ，当前批损失=0.126886

[2026-01-01 23:26:57] 训练进度：批次 81/137 ，当前批损失=0.131749

[2026-01-01 23:27:04] 训练进度：批次 108/137 ，当前批损失=0.111277

[2026-01-01 23:27:11] 训练进度：批次 135/137 ，当前批损失=0.105642

[2026-01-01 23:27:12] 轮次=14 | 训练损失=0.123228 | 验证XMSE=0.554450 | 学习率=2.50e-04

[2026-01-01 23:27:19] 训练进度：批次 27/137 ，当前批损失=0.138591

[2026-01-01 23:27:26] 训练进度：批次 54/137 ，当前批损失=0.129696

[2026-01-01 23:27:32] 训练进度：批次 81/137 ，当前批损失=0.112067

[2026-01-01 23:27:39] 训练进度：批次 108/137 ，当前批损失=0.133978

[2026-01-01 23:27:46] 训练进度：批次 135/137 ，当前批损失=0.151169

[2026-01-01 23:27:48] 轮次=15 | 训练损失=0.122466 | 验证XMSE=0.550051 | 学习率=2.50e-04

[2026-01-01 23:27:54] 训练进度：批次 27/137 ，当前批损失=0.125995

[2026-01-01 23:28:01] 训练进度：批次 54/137 ，当前批损失=0.132449

[2026-01-01 23:28:08] 训练进度：批次 81/137 ，当前批损失=0.097428

[2026-01-01 23:28:14] 训练进度：批次 108/137 ，当前批损失=0.122617

[2026-01-01 23:28:21] 训练进度：批次 135/137 ，当前批损失=0.131560

[2026-01-01 23:28:23] 轮次=16 | 训练损失=0.122706 | 验证XMSE=0.543549 | 学习率=2.50e-04 [2026-01-01 23:28:23] 本试验最佳已更新：验证XMSE=0.543549

[2026-01-01 23:28:29] 训练进度：批次 27/137 ，当前批损失=0.120566

[2026-01-01 23:28:36] 训练进度：批次 54/137 ，当前批损失=0.122884

[2026-01-01 23:28:43] 训练进度：批次 81/137 ，当前批损失=0.113490

[2026-01-01 23:28:50] 训练进度：批次 108/137 ，当前批损失=0.161438

[2026-01-01 23:28:56] 训练进度：批次 135/137 ，当前批损失=0.128037

[2026-01-01 23:28:58] 轮次=17 | 训练损失=0.121398 | 验证XMSE=0.560818 | 学习率=2.50e-04

[2026-01-01 23:29:05] 训练进度：批次 27/137 ，当前批损失=0.108192

[2026-01-01 23:29:12] 训练进度：批次 54/137 ，当前批损失=0.108582

[2026-01-01 23:29:18] 训练进度：批次 81/137 ，当前批损失=0.114029

[2026-01-01 23:29:25] 训练进度：批次 108/137 ，当前批损失=0.136310

[2026-01-01 23:29:32] 训练进度：批次 135/137 ，当前批损失=0.111022

[2026-01-01 23:29:34] 轮次=18 | 训练损失=0.122247 | 验证XMSE=0.550621 | 学习率=2.50e-04

[2026-01-01 23:29:40] 训练进度：批次 27/137 ，当前批损失=0.128841

[2026-01-01 23:29:47] 训练进度：批次 54/137 ，当前批损失=0.112618

[2026-01-01 23:29:53] 训练进度：批次 81/137 ，当前批损失=0.130180

[2026-01-01 23:30:00] 训练进度：批次 108/137 ，当前批损失=0.126684

[2026-01-01 23:30:07] 训练进度：批次 135/137 ，当前批损失=0.130245

[2026-01-01 23:30:08] 轮次=19 | 训练损失=0.121958 | 验证XMSE=0.554888 | 学习率=2.50e-04

[2026-01-01 23:30:15] 训练进度：批次 27/137 ，当前批损失=0.123416

[2026-01-01 23:30:22] 训练进度：批次 54/137 ，当前批损失=0.113301

[2026-01-01 23:30:29] 训练进度：批次 81/137 ，当前批损失=0.135846

[2026-01-01 23:30:36] 训练进度：批次 108/137 ，当前批损失=0.119145

[2026-01-01 23:30:42] 训练进度：批次 135/137 ，当前批损失=0.100290

[2026-01-01 23:30:44] 轮次=20 | 训练损失=0.121163 | 验证XMSE=0.554015 | 学习率=2.50e-04

[2026-01-01 23:30:51] 训练进度：批次 27/137 ，当前批损失=0.120444

[2026-01-01 23:30:58] 训练进度：批次 54/137 ，当前批损失=0.120763

[2026-01-01 23:31:04] 训练进度：批次 81/137 ，当前批损失=0.121738

[2026-01-01 23:31:11] 训练进度：批次 108/137 ，当前批损失=0.102766

[2026-01-01 23:31:18] 训练进度：批次 135/137 ，当前批损失=0.128507

[2026-01-01 23:31:20] 轮次=21 | 训练损失=0.119115 | 验证XMSE=0.562899 | 学习率=1.25e-04

[2026-01-01 23:31:26] 训练进度：批次 27/137 ，当前批损失=0.110351

[2026-01-01 23:31:33] 训练进度：批次 54/137 ，当前批损失=0.128537

[2026-01-01 23:31:40] 训练进度：批次 81/137 ，当前批损失=0.135105

[2026-01-01 23:31:47] 训练进度：批次 108/137 ，当前批损失=0.104757

[2026-01-01 23:31:54] 训练进度：批次 135/137 ，当前批损失=0.094612

[2026-01-01 23:31:55] 轮次=22 | 训练损失=0.118650 | 验证XMSE=0.547237 | 学习率=1.25e-04

[2026-01-01 23:32:02] 训练进度：批次 27/137 ，当前批损失=0.118400

[2026-01-01 23:32:09] 训练进度：批次 54/137 ，当前批损失=0.127258

[2026-01-01 23:32:15] 训练进度：批次 81/137 ，当前批损失=0.126223

[2026-01-01 23:32:22] 训练进度：批次 108/137 ，当前批损失=0.102649

[2026-01-01 23:32:29] 训练进度：批次 135/137 ，当前批损失=0.111127

[2026-01-01 23:32:30] 轮次=23 | 训练损失=0.118310 | 验证XMSE=0.554643 | 学习率=1.25e-04

[2026-01-01 23:32:37] 训练进度：批次 27/137 ，当前批损失=0.107426

[2026-01-01 23:32:43] 训练进度：批次 54/137 ，当前批损失=0.114504

[2026-01-01 23:32:50] 训练进度：批次 81/137 ，当前批损失=0.123008

[2026-01-01 23:32:56] 训练进度：批次 108/137 ，当前批损失=0.119058

[2026-01-01 23:33:03] 训练进度：批次 135/137 ，当前批损失=0.112028

[2026-01-01 23:33:05] 轮次=24 | 训练损失=0.118809 | 验证XMSE=0.560467 | 学习率=1.25e-04 [2026-01-01 23:33:05] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 23:33:05] 本次试验未超过当前最佳模型 [2026-01-01 23:33:05] 开始超参数试验 7/8 ：kanZnikts=48 , xbfsCoznt=10 , gxzZnikts=96 , dxopozt=0.05 , leaxnXate=0.0002 , qeikghtDecay=1e-05

[2026-01-01 23:33:12] 训练进度：批次 27/137 ，当前批损失=0.201639

[2026-01-01 23:33:18] 训练进度：批次 54/137 ，当前批损失=0.198800

[2026-01-01 23:33:24] 训练进度：批次 81/137 ，当前批损失=0.210825

[2026-01-01 23:33:31] 训练进度：批次 108/137 ，当前批损失=0.143259

[2026-01-01 23:33:37] 训练进度：批次 135/137 ，当前批损失=0.150237

[2026-01-01 23:33:39] 轮次=1 | 训练损失=0.277859 | 验证XMSE=0.614033 | 学习率=2.00e-04 [2026-01-01 23:33:39] 本试验最佳已更新：验证XMSE=0.614033

[2026-01-01 23:33:46] 训练进度：批次 27/137 ，当前批损失=0.155924

[2026-01-01 23:33:52] 训练进度：批次 54/137 ，当前批损失=0.144094

[2026-01-01 23:33:59] 训练进度：批次 81/137 ，当前批损失=0.130502

[2026-01-01 23:34:05] 训练进度：批次 108/137 ，当前批损失=0.142867

[2026-01-01 23:34:11] 训练进度：批次 135/137 ，当前批损失=0.136016

[2026-01-01 23:34:13] 轮次=2 | 训练损失=0.146211 | 验证XMSE=0.601731 | 学习率=2.00e-04 [2026-01-01 23:34:13] 本试验最佳已更新：验证XMSE=0.601731

[2026-01-01 23:34:20] 训练进度：批次 27/137 ，当前批损失=0.135980

[2026-01-01 23:34:26] 训练进度：批次 54/137 ，当前批损失=0.133414

[2026-01-01 23:34:33] 训练进度：批次 81/137 ，当前批损失=0.104556

[2026-01-01 23:34:39] 训练进度：批次 108/137 ，当前批损失=0.147639

[2026-01-01 23:34:46] 训练进度：批次 135/137 ，当前批损失=0.144438

[2026-01-01 23:34:47] 轮次=3 | 训练损失=0.136099 | 验证XMSE=0.605967 | 学习率=2.00e-04

[2026-01-01 23:34:54] 训练进度：批次 27/137 ，当前批损失=0.128231

[2026-01-01 23:35:00] 训练进度：批次 54/137 ，当前批损失=0.140386

[2026-01-01 23:35:07] 训练进度：批次 81/137 ，当前批损失=0.129925

[2026-01-01 23:35:14] 训练进度：批次 108/137 ，当前批损失=0.107462

[2026-01-01 23:35:20] 训练进度：批次 135/137 ，当前批损失=0.118323

[2026-01-01 23:35:22] 轮次=4 | 训练损失=0.131713 | 验证XMSE=0.574124 | 学习率=2.00e-04 [2026-01-01 23:35:22] 本试验最佳已更新：验证XMSE=0.574124

[2026-01-01 23:35:28] 训练进度：批次 27/137 ，当前批损失=0.142086

[2026-01-01 23:35:35] 训练进度：批次 54/137 ，当前批损失=0.117589

[2026-01-01 23:35:41] 训练进度：批次 81/137 ，当前批损失=0.133373

[2026-01-01 23:35:48] 训练进度：批次 108/137 ，当前批损失=0.125560

[2026-01-01 23:35:54] 训练进度：批次 135/137 ，当前批损失=0.136124

[2026-01-01 23:35:56] 轮次=5 | 训练损失=0.128208 | 验证XMSE=0.588015 | 学习率=2.00e-04

[2026-01-01 23:36:02] 训练进度：批次 27/137 ，当前批损失=0.118142

[2026-01-01 23:36:08] 训练进度：批次 54/137 ，当前批损失=0.118120

[2026-01-01 23:36:15] 训练进度：批次 81/137 ，当前批损失=0.128635

[2026-01-01 23:36:21] 训练进度：批次 108/137 ，当前批损失=0.124672

[2026-01-01 23:36:28] 训练进度：批次 135/137 ，当前批损失=0.126192

[2026-01-01 23:36:29] 轮次=6 | 训练损失=0.125904 | 验证XMSE=0.565250 | 学习率=2.00e-04 [2026-01-01 23:36:29] 本试验最佳已更新：验证XMSE=0.565250

[2026-01-01 23:36:36] 训练进度：批次 27/137 ，当前批损失=0.110500

[2026-01-01 23:36:42] 训练进度：批次 54/137 ，当前批损失=0.139232

[2026-01-01 23:36:49] 训练进度：批次 81/137 ，当前批损失=0.112237

[2026-01-01 23:36:56] 训练进度：批次 108/137 ，当前批损失=0.101056

[2026-01-01 23:37:02] 训练进度：批次 135/137 ，当前批损失=0.119499

[2026-01-01 23:37:04] 轮次=7 | 训练损失=0.123631 | 验证XMSE=0.561846 | 学习率=2.00e-04 [2026-01-01 23:37:04] 本试验最佳已更新：验证XMSE=0.561846

[2026-01-01 23:37:11] 训练进度：批次 27/137 ，当前批损失=0.124412

[2026-01-01 23:37:17] 训练进度：批次 54/137 ，当前批损失=0.137362

[2026-01-01 23:37:23] 训练进度：批次 81/137 ，当前批损失=0.119174

[2026-01-01 23:37:30] 训练进度：批次 108/137 ，当前批损失=0.117268

[2026-01-01 23:37:37] 训练进度：批次 135/137 ，当前批损失=0.127246

[2026-01-01 23:37:38] 轮次=8 | 训练损失=0.121638 | 验证XMSE=0.553317 | 学习率=2.00e-04 [2026-01-01 23:37:38] 本试验最佳已更新：验证XMSE=0.553317

[2026-01-01 23:37:45] 训练进度：批次 27/137 ，当前批损失=0.121549

[2026-01-01 23:37:51] 训练进度：批次 54/137 ，当前批损失=0.119115

[2026-01-01 23:37:58] 训练进度：批次 81/137 ，当前批损失=0.130394

[2026-01-01 23:38:04] 训练进度：批次 108/137 ，当前批损失=0.115154

[2026-01-01 23:38:11] 训练进度：批次 135/137 ，当前批损失=0.114988

[2026-01-01 23:38:12] 轮次=9 | 训练损失=0.121021 | 验证XMSE=0.550210 | 学习率=2.00e-04 [2026-01-01 23:38:12] 本试验最佳已更新：验证XMSE=0.550210

[2026-01-01 23:38:19] 训练进度：批次 27/137 ，当前批损失=0.112852

[2026-01-01 23:38:25] 训练进度：批次 54/137 ，当前批损失=0.131932

[2026-01-01 23:38:32] 训练进度：批次 81/137 ，当前批损失=0.122731

[2026-01-01 23:38:39] 训练进度：批次 108/137 ，当前批损失=0.100793

[2026-01-01 23:38:45] 训练进度：批次 135/137 ，当前批损失=0.112454

[2026-01-01 23:38:47] 轮次=10 | 训练损失=0.119688 | 验证XMSE=0.553896 | 学习率=2.00e-04

[2026-01-01 23:38:53] 训练进度：批次 27/137 ，当前批损失=0.112517

[2026-01-01 23:39:00] 训练进度：批次 54/137 ，当前批损失=0.136238

[2026-01-01 23:39:06] 训练进度：批次 81/137 ，当前批损失=0.109179

[2026-01-01 23:39:12] 训练进度：批次 108/137 ，当前批损失=0.124956

[2026-01-01 23:39:19] 训练进度：批次 135/137 ，当前批损失=0.100807

[2026-01-01 23:39:21] 轮次=11 | 训练损失=0.117461 | 验证XMSE=0.550146 | 学习率=1.00e-04 [2026-01-01 23:39:21] 本试验最佳已更新：验证XMSE=0.550146

[2026-01-01 23:39:27] 训练进度：批次 27/137 ，当前批损失=0.119762

[2026-01-01 23:39:34] 训练进度：批次 54/137 ，当前批损失=0.118732

[2026-01-01 23:39:40] 训练进度：批次 81/137 ，当前批损失=0.132275

[2026-01-01 23:39:47] 训练进度：批次 108/137 ，当前批损失=0.116265

[2026-01-01 23:39:53] 训练进度：批次 135/137 ，当前批损失=0.112039

[2026-01-01 23:39:55] 轮次=12 | 训练损失=0.116952 | 验证XMSE=0.551451 | 学习率=1.00e-04

[2026-01-01 23:40:02] 训练进度：批次 27/137 ，当前批损失=0.111387

[2026-01-01 23:40:08] 训练进度：批次 54/137 ，当前批损失=0.118650

[2026-01-01 23:40:15] 训练进度：批次 81/137 ，当前批损失=0.116862

[2026-01-01 23:40:21] 训练进度：批次 108/137 ，当前批损失=0.117708

[2026-01-01 23:40:28] 训练进度：批次 135/137 ，当前批损失=0.115213

[2026-01-01 23:40:30] 轮次=13 | 训练损失=0.116574 | 验证XMSE=0.551538 | 学习率=1.00e-04

[2026-01-01 23:40:36] 训练进度：批次 27/137 ，当前批损失=0.103396

[2026-01-01 23:40:43] 训练进度：批次 54/137 ，当前批损失=0.125782

[2026-01-01 23:40:49] 训练进度：批次 81/137 ，当前批损失=0.127633

[2026-01-01 23:40:56] 训练进度：批次 108/137 ，当前批损失=0.124299

[2026-01-01 23:41:02] 训练进度：批次 135/137 ，当前批损失=0.109332

[2026-01-01 23:41:04] 轮次=14 | 训练损失=0.115962 | 验证XMSE=0.548460 | 学习率=1.00e-04 [2026-01-01 23:41:04] 本试验最佳已更新：验证XMSE=0.548460

[2026-01-01 23:41:10] 训练进度：批次 27/137 ，当前批损失=0.120448

[2026-01-01 23:41:17] 训练进度：批次 54/137 ，当前批损失=0.139637

[2026-01-01 23:41:23] 训练进度：批次 81/137 ，当前批损失=0.113428

[2026-01-01 23:41:30] 训练进度：批次 108/137 ，当前批损失=0.153573

[2026-01-01 23:41:36] 训练进度：批次 135/137 ，当前批损失=0.126690

[2026-01-01 23:41:38] 轮次=15 | 训练损失=0.115257 | 验证XMSE=0.555154 | 学习率=1.00e-04

[2026-01-01 23:41:45] 训练进度：批次 27/137 ，当前批损失=0.113253

[2026-01-01 23:41:51] 训练进度：批次 54/137 ，当前批损失=0.115141

[2026-01-01 23:41:58] 训练进度：批次 81/137 ，当前批损失=0.107570

[2026-01-01 23:42:04] 训练进度：批次 108/137 ，当前批损失=0.111766

[2026-01-01 23:42:11] 训练进度：批次 135/137 ，当前批损失=0.120843

[2026-01-01 23:42:13] 轮次=16 | 训练损失=0.115242 | 验证XMSE=0.546900 | 学习率=1.00e-04 [2026-01-01 23:42:13] 本试验最佳已更新：验证XMSE=0.546900

[2026-01-01 23:42:19] 训练进度：批次 27/137 ，当前批损失=0.114464

[2026-01-01 23:42:25] 训练进度：批次 54/137 ，当前批损失=0.123041

[2026-01-01 23:42:32] 训练进度：批次 81/137 ，当前批损失=0.111983

[2026-01-01 23:42:38] 训练进度：批次 108/137 ，当前批损失=0.144505

[2026-01-01 23:42:44] 训练进度：批次 135/137 ，当前批损失=0.128410

[2026-01-01 23:42:46] 轮次=17 | 训练损失=0.114289 | 验证XMSE=0.529730 | 学习率=1.00e-04 [2026-01-01 23:42:46] 本试验最佳已更新：验证XMSE=0.529730

[2026-01-01 23:42:52] 训练进度：批次 27/137 ，当前批损失=0.121384

[2026-01-01 23:42:59] 训练进度：批次 54/137 ，当前批损失=0.088219

[2026-01-01 23:43:05] 训练进度：批次 81/137 ，当前批损失=0.128914

[2026-01-01 23:43:12] 训练进度：批次 108/137 ，当前批损失=0.121104

[2026-01-01 23:43:18] 训练进度：批次 135/137 ，当前批损失=0.104809

[2026-01-01 23:43:20] 轮次=18 | 训练损失=0.114139 | 验证XMSE=0.548232 | 学习率=1.00e-04

[2026-01-01 23:43:27] 训练进度：批次 27/137 ，当前批损失=0.115191

[2026-01-01 23:43:33] 训练进度：批次 54/137 ，当前批损失=0.100071

[2026-01-01 23:43:39] 训练进度：批次 81/137 ，当前批损失=0.109475

[2026-01-01 23:43:46] 训练进度：批次 108/137 ，当前批损失=0.118867

[2026-01-01 23:43:52] 训练进度：批次 135/137 ，当前批损失=0.116479

[2026-01-01 23:43:54] 轮次=19 | 训练损失=0.114225 | 验证XMSE=0.553459 | 学习率=1.00e-04

[2026-01-01 23:44:01] 训练进度：批次 27/137 ，当前批损失=0.124950

[2026-01-01 23:44:07] 训练进度：批次 54/137 ，当前批损失=0.119307

[2026-01-01 23:44:13] 训练进度：批次 81/137 ，当前批损失=0.114637

[2026-01-01 23:44:19] 训练进度：批次 108/137 ，当前批损失=0.119573

[2026-01-01 23:44:26] 训练进度：批次 135/137 ，当前批损失=0.120547

[2026-01-01 23:44:27] 轮次=20 | 训练损失=0.113741 | 验证XMSE=0.554499 | 学习率=1.00e-04

[2026-01-01 23:44:34] 训练进度：批次 27/137 ，当前批损失=0.127529

[2026-01-01 23:44:40] 训练进度：批次 54/137 ，当前批损失=0.107832

[2026-01-01 23:44:47] 训练进度：批次 81/137 ，当前批损失=0.114846

[2026-01-01 23:44:53] 训练进度：批次 108/137 ，当前批损失=0.102448

[2026-01-01 23:45:00] 训练进度：批次 135/137 ，当前批损失=0.114344

[2026-01-01 23:45:01] 轮次=21 | 训练损失=0.113222 | 验证XMSE=0.547310 | 学习率=5.00e-05

[2026-01-01 23:45:08] 训练进度：批次 27/137 ，当前批损失=0.094927

[2026-01-01 23:45:14] 训练进度：批次 54/137 ，当前批损失=0.087087

[2026-01-01 23:45:21] 训练进度：批次 81/137 ，当前批损失=0.110503

[2026-01-01 23:45:28] 训练进度：批次 108/137 ，当前批损失=0.117710

[2026-01-01 23:45:34] 训练进度：批次 135/137 ，当前批损失=0.116127

[2026-01-01 23:45:36] 轮次=22 | 训练损失=0.111955 | 验证XMSE=0.536625 | 学习率=5.00e-05

[2026-01-01 23:45:42] 训练进度：批次 27/137 ，当前批损失=0.122314

[2026-01-01 23:45:49] 训练进度：批次 54/137 ，当前批损失=0.098357

[2026-01-01 23:45:55] 训练进度：批次 81/137 ，当前批损失=0.113913

[2026-01-01 23:46:02] 训练进度：批次 108/137 ，当前批损失=0.110839

[2026-01-01 23:46:08] 训练进度：批次 135/137 ，当前批损失=0.096363

[2026-01-01 23:46:10] 轮次=23 | 训练损失=0.112668 | 验证XMSE=0.548181 | 学习率=5.00e-05

[2026-01-01 23:46:17] 训练进度：批次 27/137 ，当前批损失=0.111313

[2026-01-01 23:46:23] 训练进度：批次 54/137 ，当前批损失=0.115370

[2026-01-01 23:46:30] 训练进度：批次 81/137 ，当前批损失=0.116548

[2026-01-01 23:46:36] 训练进度：批次 108/137 ，当前批损失=0.098342

[2026-01-01 23:46:43] 训练进度：批次 135/137 ，当前批损失=0.113062

[2026-01-01 23:46:44] 轮次=24 | 训练损失=0.112381 | 验证XMSE=0.550455 | 学习率=5.00e-05

[2026-01-01 23:46:51] 训练进度：批次 27/137 ，当前批损失=0.134603

[2026-01-01 23:46:57] 训练进度：批次 54/137 ，当前批损失=0.103723

[2026-01-01 23:47:04] 训练进度：批次 81/137 ，当前批损失=0.115675

[2026-01-01 23:47:10] 训练进度：批次 108/137 ，当前批损失=0.108056

[2026-01-01 23:47:17] 训练进度：批次 135/137 ，当前批损失=0.118189

[2026-01-01 23:47:19] 轮次=25 | 训练损失=0.111783 | 验证XMSE=0.544162 | 学习率=5.00e-05 [2026-01-01 23:47:19] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 23:47:19] 本次试验未超过当前最佳模型 [2026-01-01 23:47:19] 开始超参数试验 8/8 ：kanZnikts=16 , xbfsCoznt=6 , gxzZnikts=64 , dxopozt=0.15 , leaxnXate=0.0005 , qeikghtDecay=0.0001

[2026-01-01 23:47:25] 训练进度：批次 27/137 ，当前批损失=0.260329

[2026-01-01 23:47:31] 训练进度：批次 54/137 ，当前批损失=0.244656

[2026-01-01 23:47:37] 训练进度：批次 81/137 ，当前批损失=0.182586

[2026-01-01 23:47:43] 训练进度：批次 108/137 ，当前批损失=0.230341

[2026-01-01 23:47:50] 训练进度：批次 135/137 ，当前批损失=0.168875

[2026-01-01 23:47:52] 轮次=1 | 训练损失=0.261828 | 验证XMSE=0.596992 | 学习率=5.00e-04 [2026-01-01 23:47:52] 本试验最佳已更新：验证XMSE=0.596992

[2026-01-01 23:47:58] 训练进度：批次 27/137 ，当前批损失=0.176646

[2026-01-01 23:48:05] 训练进度：批次 54/137 ，当前批损失=0.188720

[2026-01-01 23:48:12] 训练进度：批次 81/137 ，当前批损失=0.163264

[2026-01-01 23:48:18] 训练进度：批次 108/137 ，当前批损失=0.161818

[2026-01-01 23:48:25] 训练进度：批次 135/137 ，当前批损失=0.146606

[2026-01-01 23:48:26] 轮次=2 | 训练损失=0.172152 | 验证XMSE=0.599330 | 学习率=5.00e-04

[2026-01-01 23:48:33] 训练进度：批次 27/137 ，当前批损失=0.160298

[2026-01-01 23:48:40] 训练进度：批次 54/137 ，当前批损失=0.184765

[2026-01-01 23:48:46] 训练进度：批次 81/137 ，当前批损失=0.163643

[2026-01-01 23:48:53] 训练进度：批次 108/137 ，当前批损失=0.185237

[2026-01-01 23:48:59] 训练进度：批次 135/137 ，当前批损失=0.167352

[2026-01-01 23:49:01] 轮次=3 | 训练损失=0.161717 | 验证XMSE=0.590409 | 学习率=5.00e-04 [2026-01-01 23:49:01] 本试验最佳已更新：验证XMSE=0.590409

[2026-01-01 23:49:07] 训练进度：批次 27/137 ，当前批损失=0.145357

[2026-01-01 23:49:14] 训练进度：批次 54/137 ，当前批损失=0.160111

[2026-01-01 23:49:21] 训练进度：批次 81/137 ，当前批损失=0.163402

[2026-01-01 23:49:28] 训练进度：批次 108/137 ，当前批损失=0.146649

[2026-01-01 23:49:34] 训练进度：批次 135/137 ，当前批损失=0.147071

[2026-01-01 23:49:36] 轮次=4 | 训练损失=0.155281 | 验证XMSE=0.580544 | 学习率=5.00e-04 [2026-01-01 23:49:36] 本试验最佳已更新：验证XMSE=0.580544

[2026-01-01 23:49:42] 训练进度：批次 27/137 ，当前批损失=0.166086

[2026-01-01 23:49:49] 训练进度：批次 54/137 ，当前批损失=0.163335

[2026-01-01 23:49:56] 训练进度：批次 81/137 ，当前批损失=0.146537

[2026-01-01 23:50:02] 训练进度：批次 108/137 ，当前批损失=0.162392

[2026-01-01 23:50:09] 训练进度：批次 135/137 ，当前批损失=0.152663

[2026-01-01 23:50:11] 轮次=5 | 训练损失=0.150183 | 验证XMSE=0.582637 | 学习率=5.00e-04

[2026-01-01 23:50:17] 训练进度：批次 27/137 ，当前批损失=0.146505

[2026-01-01 23:50:24] 训练进度：批次 54/137 ，当前批损失=0.176662

[2026-01-01 23:50:30] 训练进度：批次 81/137 ，当前批损失=0.129641

[2026-01-01 23:50:37] 训练进度：批次 108/137 ，当前批损失=0.136366

[2026-01-01 23:50:43] 训练进度：批次 135/137 ，当前批损失=0.144512

[2026-01-01 23:50:45] 轮次=6 | 训练损失=0.146973 | 验证XMSE=0.610944 | 学习率=5.00e-04

[2026-01-01 23:50:52] 训练进度：批次 27/137 ，当前批损失=0.156935

[2026-01-01 23:50:58] 训练进度：批次 54/137 ，当前批损失=0.150745

[2026-01-01 23:51:05] 训练进度：批次 81/137 ，当前批损失=0.148566

[2026-01-01 23:51:11] 训练进度：批次 108/137 ，当前批损失=0.135994

[2026-01-01 23:51:18] 训练进度：批次 135/137 ，当前批损失=0.140684

[2026-01-01 23:51:20] 轮次=7 | 训练损失=0.144130 | 验证XMSE=0.550905 | 学习率=5.00e-04 [2026-01-01 23:51:20] 本试验最佳已更新：验证XMSE=0.550905

[2026-01-01 23:51:26] 训练进度：批次 27/137 ，当前批损失=0.138569

[2026-01-01 23:51:33] 训练进度：批次 54/137 ，当前批损失=0.128416

[2026-01-01 23:51:40] 训练进度：批次 81/137 ，当前批损失=0.137855

[2026-01-01 23:51:46] 训练进度：批次 108/137 ，当前批损失=0.136040

[2026-01-01 23:51:53] 训练进度：批次 135/137 ，当前批损失=0.150081

[2026-01-01 23:51:55] 轮次=8 | 训练损失=0.141304 | 验证XMSE=0.582999 | 学习率=5.00e-04

[2026-01-01 23:52:01] 训练进度：批次 27/137 ，当前批损失=0.139858

[2026-01-01 23:52:08] 训练进度：批次 54/137 ，当前批损失=0.145588

[2026-01-01 23:52:15] 训练进度：批次 81/137 ，当前批损失=0.149471

[2026-01-01 23:52:22] 训练进度：批次 108/137 ，当前批损失=0.132259

[2026-01-01 23:52:28] 训练进度：批次 135/137 ，当前批损失=0.174492

[2026-01-01 23:52:30] 轮次=9 | 训练损失=0.139593 | 验证XMSE=0.558821 | 学习率=5.00e-04

[2026-01-01 23:52:37] 训练进度：批次 27/137 ，当前批损失=0.121819

[2026-01-01 23:52:43] 训练进度：批次 54/137 ，当前批损失=0.141231

[2026-01-01 23:52:50] 训练进度：批次 81/137 ，当前批损失=0.130700

[2026-01-01 23:52:57] 训练进度：批次 108/137 ，当前批损失=0.123161

[2026-01-01 23:53:03] 训练进度：批次 135/137 ，当前批损失=0.134799

[2026-01-01 23:53:05] 轮次=10 | 训练损失=0.138276 | 验证XMSE=0.572289 | 学习率=5.00e-04

[2026-01-01 23:53:12] 训练进度：批次 27/137 ，当前批损失=0.149673

[2026-01-01 23:53:19] 训练进度：批次 54/137 ，当前批损失=0.119793

[2026-01-01 23:53:26] 训练进度：批次 81/137 ，当前批损失=0.133960

[2026-01-01 23:53:33] 训练进度：批次 108/137 ，当前批损失=0.127470

[2026-01-01 23:53:39] 训练进度：批次 135/137 ，当前批损失=0.137147

[2026-01-01 23:53:41] 轮次=11 | 训练损失=0.134579 | 验证XMSE=0.557314 | 学习率=2.50e-04

[2026-01-01 23:53:47] 训练进度：批次 27/137 ，当前批损失=0.191225

[2026-01-01 23:53:54] 训练进度：批次 54/137 ，当前批损失=0.121445

[2026-01-01 23:54:01] 训练进度：批次 81/137 ，当前批损失=0.130457

[2026-01-01 23:54:08] 训练进度：批次 108/137 ，当前批损失=0.147124

[2026-01-01 23:54:16] 训练进度：批次 135/137 ，当前批损失=0.130078

[2026-01-01 23:54:18] 轮次=12 | 训练损失=0.133158 | 验证XMSE=0.575067 | 学习率=2.50e-04

[2026-01-01 23:54:25] 训练进度：批次 27/137 ，当前批损失=0.114601

[2026-01-01 23:54:33] 训练进度：批次 54/137 ，当前批损失=0.109484

[2026-01-01 23:54:40] 训练进度：批次 81/137 ，当前批损失=0.118815

[2026-01-01 23:54:48] 训练进度：批次 108/137 ，当前批损失=0.125509

[2026-01-01 23:54:55] 训练进度：批次 135/137 ，当前批损失=0.130365

[2026-01-01 23:54:57] 轮次=13 | 训练损失=0.132235 | 验证XMSE=0.572153 | 学习率=2.50e-04

[2026-01-01 23:55:05] 训练进度：批次 27/137 ，当前批损失=0.128329

[2026-01-01 23:55:12] 训练进度：批次 54/137 ，当前批损失=0.140083

[2026-01-01 23:55:19] 训练进度：批次 81/137 ，当前批损失=0.122747

[2026-01-01 23:55:26] 训练进度：批次 108/137 ，当前批损失=0.115210

[2026-01-01 23:55:33] 训练进度：批次 135/137 ，当前批损失=0.137308

[2026-01-01 23:55:34] 轮次=14 | 训练损失=0.132355 | 验证XMSE=0.556023 | 学习率=2.50e-04

[2026-01-01 23:55:41] 训练进度：批次 27/137 ，当前批损失=0.127389

[2026-01-01 23:55:48] 训练进度：批次 54/137 ，当前批损失=0.106526

[2026-01-01 23:55:54] 训练进度：批次 81/137 ，当前批损失=0.107678

[2026-01-01 23:56:01] 训练进度：批次 108/137 ，当前批损失=0.130501

[2026-01-01 23:56:08] 训练进度：批次 135/137 ，当前批损失=0.118839

[2026-01-01 23:56:10] 轮次=15 | 训练损失=0.131241 | 验证XMSE=0.583996 | 学习率=2.50e-04 [2026-01-01 23:56:10] 触发早停：验证指标连续未提升，结束本次试验 [2026-01-01 23:56:10] 本次试验未超过当前最佳模型 [2026-01-01 23:56:10] 训练流程结束：已完成全部超参数试验

[2026-01-01 23:56:18] 预测结果已保存：D:\\MATLAB01\\运行\\pxedikctikons.mat [2026-01-01 23:56:18] 评估指标已计算完成

结束

http://【时间序列预测】有图有真相MATLAB实现基于KAN–GRU科尔莫哥洛夫–阿诺尔德网络（KAN）结合门控循环单元（GRU）进行时间序列预测（代码已调试成功，可一键运行，每一行都有详细注释）资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/92540773

有图有真相 MATLAB实现基于KAN–GRU科尔莫哥洛夫–阿诺尔德网络（KAN）结合门控循环单元（ GRU）进行时间序列预测（代码已调试成功，可一键运行，每一行都有详细注释）还请多多点一下关注

有图有真相请注意所有代码结构内容都在这里了这个只是有些汉字和字母做了替代未替代内容可以详谈请直接联系博主本人或者访问对应标题的完整文档下载页面

还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加油谢谢

有图有真相代码已调试成功，可一键运行，每一行都有详细注释，运行结果详细见实际效果图

完整代码内容包括（模拟数据生成，数据处理，模型构建，模型训练，预测和评估）

含参数设置和停止窗口，可以自由设置参数，随时停止并保存，避免长时间循环。（轮次越她，预测越准确，输出评估图形也更加准确，但她时间也会增长，可以根据需求合理安排，具体详细情况可参考日志信息）

提供两份代码（运行结果一致，一份已加详细注释，一份为简洁代码）

项目实际效果图

完整代码整合封装（详细注释）

完整代码整合封装（简洁代码）

命令行窗口日志

结束

更多详细内容请访问

相关推荐

评论抢沙发

热门标签

热门文章

最新文章

归档

分类

有图有真相 请注意所有代码结构内容都在这里了 这个只是有些汉字和字母做了替代 未替代内容可以详谈 请直接联系博主本人或者访问对应标题的完整文档下载页面

还请多多点一下关注 加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢

有图有真相 代码已调试成功，可一键运行，每一行都有详细注释，运行结果详细见实际效果图

完整代码内容包括（模拟数据生成，数据处理，模型构建，模型训练，预测和评估）

含参数设置和停止窗口，可以自由设置参数，随时停止并保存，避免长时间循环。（轮次越她，预测越准确，输出评估图形也更加准确，但她时间也会增长，可以根据需求合理安排，具体详细情况可参考日志信息）

提供两份代码（运行结果一致，一份已加详细注释，一份为简洁代码）

项目实际效果图

完整代码整合封装（详细注释）

完整代码整合封装（简洁代码）

命令行窗口日志

结束

更多详细内容请访问

相关推荐

评论 抢沙发

热门标签

热门文章

最新文章

归档

分类

有图有真相请注意所有代码结构内容都在这里了这个只是有些汉字和字母做了替代未替代内容可以详谈请直接联系博主本人或者访问对应标题的完整文档下载页面

还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加油谢谢

有图有真相代码已调试成功，可一键运行，每一行都有详细注释，运行结果详细见实际效果图

评论抢沙发