基于麻雀算法改进的LSTM预测算法-附代码
基于麻雀算法改进的LSTM预测算法
摘要:为了提高LSTM数据的预测准确率,对LSTM中的参数利用麻雀搜索算法进行优化。
1.数据
采用正弦信号仿真数据,数量为200。90%的数据用于训练,10%的数据用于测试。
2.LSTM模型
LSTM请自行参考相关机器学习书籍。
3.基于麻雀算法优化的LSTM
麻雀搜索算法的具体原理参考博客:https://blog.csdn.net/u011835903/article/details/108830958。
麻雀算法的优化参数为 LSTM网路包含的隐藏单元数目,最大训练周期,初始学习率,L2参数。适应度函数为LSTM对训练集和测试集的均方误差(MSE),均方误差MSE越低越好
f
i
n
t
e
n
e
s
s
=
M
S
E
[
p
r
e
d
i
c
t
(
t
r
a
i
n
)
]
+
M
S
E
[
p
r
e
d
i
c
t
(
t
e
s
t
)
]
finteness = MSE[predict(train)] + MSE[predict(test)]
finteness=MSE[predict(train)]+MSE[predict(test)]
4.测试结果
麻雀参数设置如下:
%% 定义麻雀优化参数
pop=10; %种群数量
Max_iteration=10; % 设定最大迭代次数
dim = 4;%维度,即LSTM网路包含的隐藏单元数目,最大训练周期,初始学习率,L2参数
lb = [2,2,10E-5,10E-6];%下边界
ub = [200,100,1,1];%上边界
fobj = @(x) fun(x,numFeatures,numResponses,XTrain,YTrain,XTest,YTest);
SSA-LSTM优化得到的最优参数为:
SSA-LSTM优化得到的隐藏单元数目为:181
SSA-LSTM优化得到的最大训练周期为:97
SSA-LSTM优化得到的InitialLearnRate为:0.016595
SSA-LSTM优化得到的L2Regularization为:0.012629
SSA-LSTM结果:
SSA-LSTM训练集MSE:0.0062063
SSA-LSTM测试集MSE:0.066716
LSTM结果:
LSTM训练集MSE:0.0046388
LSTM测试集MSE:0.14566
从结果来看,经过改进后的优于未改进前的结果。
5.Matlab代码
相关文章
- x264代码剖析(十七):核心算法之熵编码(Entropy Encoding)
- 小姐姐带你一起学:如何用Python实现7种机器学习算法(附代码)
- 算法在身边——学习算法从妈妈的菜谱开始
- 【微电网】基于改进粒子群算法的微电网优化调度(Matlab代码实现)
- 基于A*算法自动引导车的路径规划(Matlab代码实现)
- 【路径规划】基于前向动态规划算法在地形上找到最佳路径(Matlab代码实现)
- 基于MPS算法和改进的非支配排序遗传算法II(MNSGA-II)求解配备起重机的模糊鲁棒设施布局问题(Matlab代码实现)
- 基于PCA 和迭代 Canny Edge皮肤病变分割算法研究(Matlab代码实现)
- 基于改进萤火虫算法的图像分割的应用(Matlab代码实现)
- 【车间调度】基于模拟退火优化算法的的并行车间机器优化调度(Matlab代码实现)
- 一种用于模拟电晕放电的高效半拉格朗日算法(Matlab代码实现)
- 基于智能优化算法的无人机路径规划(Matlab代码实现)
- 【深度学习】基于 K-means 聚类算法的图像区域分割(Matlab代码实现)
- 基于鲸鱼算法的极限学习机(ELM)分类算法-附代码
- 基于布谷鸟算法优化的Elman神经网络数据预测-附代码
- 基于粒子群优化算法的移动机器人全局路径规划-附代码
- 智能优化算法应用:基于麻雀搜索算法与双伽马校正的图像自适应增强算法 - 附代码
- 智能优化算法:跳蛛优化算法-附代码
- 智能优化算法:基于梯度的优化算法-附代码
- 智能优化算法:回溯搜索优化算法-附代码
- 新授粉方式的花授粉算法-附代码
- 一种改进的蝴蝶优化算法-附代码
- 基于Cat混沌与高斯变异的改进灰狼优化算法-附代码
- 【数据结构与算法】K 近邻算法—— KD 树 算法原理讲解和C语言实现代码
- 【车间调度】基于黏菌算法算法和变邻域搜索的柔性作业车间调度研究(Matlab代码实现)
- 传感器|基于改进贪心算法的最佳传感器位置选择(Matlab代码实现)
- 路径规划算法:A*算法 - 附代码