2301_78913398-CSDN博客

原创 CEEMDAN（北方苍鹰优化自适应噪声完备集合经验模态分解）

CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）是一种改进的经验模态分解（Empirical Mode Decomposition，EMD）方法。它通过在信号中添加自适应噪声，并进行多次EMD分解，从而得到一系列本征模态函数（Intrinsic Mode Functions，IMFs），这些IMFs能够更好地描述信号中的局部特征，特别是对于非线性、非平稳信号。

2024-05-08 18:54:07 665 1

原创 matlab机器学习预测代码大全

数据包含特征如下:测风塔10m风速(m/s)、测风塔30m风速(m/s)、测风塔50m风速(m/s)、测风塔70m风速(m/s)、轮毂高度风速(m/s)、测风塔10m风向(R)、测风塔30m风向(°)、测风塔50m风向(%)、测风塔70m风向(')、轮毂高度风向()、温度(%)、气压(hPa)、湿度(%)实际发电功率(mw)。以表格中数据为例，以以2019年1月1日0点~2019年1月1日2点的所有数据(包括功率）组合起来放一块并变成一行，然后把2点15的数据也组合到这一行，这就形成了第一个样本。

2024-05-06 11:47:57 372

原创 APOVMD自适应变分模态分解【复现含文献】

APOVMD自适应变分模态分解【复现含文献】代码获取戳此处 VMD的优越性取决于分解后的模态数和惩罚因子的精度设置，这将导致信息丢失或过度分解，并影响特征提取的结果。为了克服VMD的局限性，提出了一种自适应参数优化VMD（APOVMD）方法，该方法可以自适应地确定最合适的分解参数，提高VMD的性能. 在大多数情况下，模态K的个数由观测中心频率法确定，惩罚因子α的值是VMD算法的默认值。然而，该方法要求用户不断修改参数K和α，以避免两个相邻模态的中心频率重叠，这也缺乏自适应性。为了自适应地确定最优

2024-03-22 13:16:18 405 2

原创 CEEMDAN+皮尔逊+小波包降噪+重构

其基本思想是通过选择适当的小波基函数和分解层数，对信号进行小波包分解，得到不同频带上的小波包系数。然后，根据噪声和信号在不同频带上的不同特性，选择合适的阈值对小波包系数进行处理，以去除噪声。最后，将处理后的小波包系数进行重构，得到降噪后的信号。小波包降噪方法能够有效地保留信号中的有用信息，同时去除噪声干扰。在信号处理中，重构是指根据处理后的信号成分重新合成原始信号或降噪后的信号。在CEEMDAN+皮尔逊+小波包降噪方法中，重构是对经过降噪处理的本征模态函数（IMFs）进行组合，以得到最终的降噪信号。

2024-03-16 19:24:57 1040 1

原创 GJO-VMD-GJO-LSTM（金豺优化算法-变分模态分解-金豺优化算法-长短期记忆网络）

随后对分解分量逐一进行长短期记忆网络LSTM建模预测，同时LST参数通过GJO金豺进行参数寻优一使模型达到最佳效果，其预测效果对比模型有。GJO-VMD-GJO-LSTM（金豺优化算法-变分模态分解-金豺优化算法-长短期记忆网络）lstm、GJO-VMD-LSTM/GJO-VMD-GJO-LSTM 对比结果如下。结合结果图可得其GJO-VMD-GJO-LSTM预测效果更好更稳定。matlab代码matlab代码matlab代码matlab代码。K A虽迭代次数位置的变化以及迭代曲线图。

2023-12-30 14:32:35 682 1

原创 POA-VMD+降噪（鹈鹕优化VMD结合余弦相似度和小波阈值进行降噪）

采用余弦相似度评判分解分量与原序列间的余弦相似度，设定阈值将含躁分量提取出来，通过阈值小波进行降噪，降噪方法包含%软小波阈值降噪%硬小波阈值降噪%改进小波阈值降噪，可根据降噪效果选取最合适的方法。（下图以含有高斯噪声信号为例）POA为2022年提出的新算法，程序标注详细，分层次分明，便于修改与其他优化算法的搜索能力作对比实验。适应度函数：1.综合评价指标2.包络熵3.包络谱峭度值4.幅值谱熵5.模糊熵6.皮尔逊系数7.峭度值。可出适应度曲线图分解图频谱图三维分解图和α、K位置随迭代变化图。

2023-12-30 14:26:13 807 1

原创金豺GJO优化CNN-LSTM用于多变量负荷预测（Matlab）

4.GJO优化CNN-LSTM部分、CNN-LSTM部分首先根据 GJO传入的参数进行解码，获得所需超参数，然后利用数据部分传入的训练集进行网络训练，最后对验证集进行预测，获得实际输出值与期望输出值的误差均方差，并将均方差作为适应度值返回给GJO部分。4.GJO找到一组网络超参数，使得 CNN-LSTM的误差最小，主要优化的超参数是：学习率，训练次数，batchsize，卷积层1的核数量、大小，池化层1的核大小，卷积层2的核数量、大小，池化层2的核大小，lstm层与全连接隐含层的节点数，共11个参数.

2023-12-29 12:45:06 1001 1

原创 CNN-GRU、CNN-BIGRU预测

CNN-GRU和CNN-BiGRU是将卷积神经网络（CNN）与GRU或BiGRU结合起来的模型。CNN用于提取输入序列的局部特征，而GRU或BiGRU用于捕捉序列的长期依赖关系。CNN-GRU和CNN-BiGRU在文本分类和情感分析等任务中表现出良好的性能。相比之下，CNN-GRU在处理长期依赖关系方面可能稍逊于CNN-BiGRU，但训练速度更快。BiGRU是双向循环神经网络，它由两个独立的GRU组成，一个从前向后处理输入序列，另一个从后向前处理输入序列。GRU的结构相对简单，参数较少，因此训练速度较快。

2023-12-27 22:24:36 1761 1

原创改进小波阈值降噪

通常采用软阈值或硬阈值的方法来确定阈值大小，其中软阈值方法将小于阈值的系数按比例缩小，硬阈值方法将小于阈值的系数直接置为零。小波阈值降噪是一种常用的信号降噪方法，其基本思路是利用小波变换将信号分解成多个尺度的分量，然后对每个分量进行阈值处理，将小于某个阈值的分量置为零，从而达到去除噪声的目的。小波阈值降噪方法具有较好的降噪效果，但也存在一些局限性，如对信号的局部特征较为敏感，对信号的边缘效果不佳等。小波阈值降噪是一种经典的信号降噪方法，但是它也存在一些问题，如降噪效果不够理想、处理效率较低等。

2023-12-26 17:21:14 700 1

原创 CNN-LSTM、CNN-BILSTM预测多输入单输出

这两种模型结构在处理不同类型的数据时具有不同的应用场景。CNN-LSTM适用于处理序列数据，如文本、语音和时间序列数据。CNN-BILSTM适用于处理图像数据，如图像分类和目标检测。实际应用在回归预测中通过对比其效果图如下。

2023-12-25 19:18:23 1834

原创考虑多风电场出力 Copula 相关关系的场景生成方法

Copula 函数(连接函数)描述空间相邻风电场间的相关性，提出一种基于 Copula 函数生成风电场出力场景的方法。阐述了多个风电场出力的边缘分布函数及 Copula函数的构造和确定过程。拟合出最优Copula函数，并生成场景。考虑多风场出力相关性的可再生能源场景生成/风电场景生成，并通过聚类算法场景削减成几个场景，每个场景都有确定的出现概率。完美复现《考虑多风电场出力 Copula 相关关系的场景生成方法》中的场景生成部分。编程语言：MATLAB。

2023-11-12 11:11:33 132

原创改进北方苍鹰优化算法SCNGO

1)北方苍鹰优化算法是一种基于鹰群行为的启发式优化算法，其灵感来源于鹰群的捕食行为。1.采用折射反向学习策略初始化北方苍鹰算法个体，基本思想是通过计算当前解的反向解来扩大搜索范围，借此找出给定问题更好的备选解；4. 根据适应度函数，评估更新后的鹰个体的适应度，选择适应度较高的鹰作为新的种群。1. 鹰群的搜索行为模拟了自然界中的优化过程，具有较强的全局搜索能力。2. 根据问题的特点，设计适应度函数来评估每个鹰个体的适应度。3. 迭代更新每个鹰个体的位置和速度，以模拟鹰群的搜索行为。

2023-09-04 15:35:20 561

原创万有引力搜索算法（GSA）优化支持向量机svm

它具有全局搜索能力和较好的收敛性，并且在解决各种优化问题时表现良好，例如函数优化、组合优化、网络优化等。其中，||w||是超平面的权重向量的L2范数，C是正则化参数，ξ_i和ξ_i^*分别是松弛变量。在训练过程中，SVR寻找一个最优的超平面，使得函数与样本点之间的误差最小化。SVR的目标是找到一个函数，使得样本点与该函数之间的误差最小化，并且在允许误差范围内使尽量多的样本点落在该函数的边界上。其中，y_i是样本标签，φ(x_i)是将输入样本映射到特征空间的函数，b是偏置项，ε是一个正的容差值。

2023-08-25 11:22:29 612 1

原创小波阈值降噪及改进