一、研究背景
该研究旨在解决传统K-means聚类对初始质心敏感、易陷入局部最优的问题，以及序列数据分类中特征提取与长期依赖建模的挑战。通过结合鲸鱼优化算法（WOA）优化K-means++初始质心，提升聚类质量；再结合Transformer的自注意力机制与LSTM的序列建模能力，构建混合分类模型，适用于复杂序列数据的分类任务。
二、主要功能
1.main1_WOA_Kmeansplus.m（聚类模块）
- 使用WOA优化K-means++初始质心，提升聚类效果；
- 可视化聚类结果、成本变化曲线、簇分配热图、聚类质量评估图；
- 输出聚类标签至Excel文件。
2.main2_Transformer_LSTM.m（分类模块）
- 读取聚类结果作为标签，构建带位置编码的Transformer-LSTM混合网络；
- 训练并评估分类模型；
- 绘制训练过程曲线、预测对比图、评价指标柱状图、混淆矩阵、ROC曲线等；
- 输出综合性能报告。
三、算法步骤
第一阶段：WOA-K-means++聚类
- 读取数据集，设置聚类数K；
- 定义WOA参数（种群数、迭代次数、边界）；
- 调用WOA优化K-means++初始质心；
- 运行K-means聚类，可视化结果并保存标签。
第二阶段：Transformer-LSTM分类
- 读取原始数据与聚类标签；
- 按类别划分训练集与测试集；
- 数据归一化、平铺、格式转换；
- 构建带位置编码的Transformer-LSTM网络；
- 训练模型并预测；
- 评估模型性能并可视化。
四、技术路线
数据读取 → WOA优化K-means++聚类 → 生成聚类标签 ↓ 聚类标签 + 原始数据 → 构建Transformer-LSTM网络 ↓ 训练 → 预测 → 评估 → 可视化五、公式原理
1.WOA（鲸鱼优化算法）
模拟鲸鱼包围、气泡网攻击等行为，更新公式包括：
- 包围阶段：
X⃗(t+1)=X⃗∗(t)−A⃗⋅D⃗\vec{X}(t+1) = \vec{X}^*(t) - \vec{A} \cdot \vec{D}X(t+1)=X∗(t)−A⋅D
其中D⃗=∣C⃗⋅X⃗∗(t)−X⃗(t)∣\vec{D} = |\vec{C} \cdot \vec{X}^*(t) - \vec{X}(t)|D=∣C⋅X∗(t)−X(t)∣ - 气泡网攻击：
X⃗(t+1)=D⃗′⋅ebl⋅cos(2πl)+X⃗∗(t)\vec{X}(t+1) = \vec{D}' \cdot e^{bl} \cdot \cos(2\pi l) + \vec{X}^*(t)X(t+1)=D′⋅ebl⋅cos(2πl)+X∗(t)
2.K-means++
改进初始质心选择，减少随机性，目标函数为最小化类内距离平方和。
3.Transformer自注意力机制
Attention(Q,K,V)=softmax(QKTdk)V Attention(Q,K,V) = softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dkQKT)V
4.LSTM
通过门控机制控制信息流动，解决长期依赖问题。
六、参数设定
WOA参数：
- 种群数量：
pop = 30 - 最大迭代次数：
Max_iter = 100 - 边界：
lb、ub根据数据范围设定
聚类参数：
- 聚类数：
K = 4
Transformer-LSTM参数：
- 最大位置编码：
maxPosition = 512 - 注意力头数：
numHeads = 4 - LSTM隐藏单元数：
128 - 训练参数：
MaxEpochs = 500，MiniBatchSize = 64
七、运行环境
- 软件平台：MATLAB（建议R2024b及以上）
- 数据文件：
数据集.xlsx
八、应用场景
适用于以下领域的聚类与分类任务：
- 客户分群与行为预测（如电商用户聚类与购买预测）
- 工业异常检测（如设备状态聚类与故障分类）
- 生物信息学（如基因序列聚类与疾病分类）
- 时间序列分类（如股票走势聚类与趋势预测）
