- 博客(26)
- 收藏
- 关注
RSS订阅原创 优化ICEEMDAN（霜冰优化改进自适应噪声完备集合经验模态分解）
ICEEMDAN，全称为Intrinsic Complete Ensemble Empirical Mode Decomposition with Adaptive Noise（改进自适应噪声完备集合经验模态分解），是一种新型的自适应信号分解方法。同时，完整集成策略保证了分解后的信号保留了原始信号的全部信息，进一步提高了分解的准确性。为了使分解效果最优，采用RIME霜冰优化算法对ICEEMDAN的 Nstd：信噪比，NR：噪声添加次数进行寻优以寻求最优分解效果。数据导入为excel形式。
2024-07-16 16:32:07
84
原创 基于麻雀搜索算法（SSA）的CEEMDAN-TransformerEncoder-BiGRU时间序列预测模型
CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）算法是EMD（Empirical Mode Decomposition）算法的一种改进形式，它通过在原始信号中添加自适应的白噪声来克服EMD算法中的模态混叠问题。在训练过程中，使用SSA算法优化模型的超参数，以找到最优的模型配置。其中，Transformer编码器用于捕捉序列数据中的全局依赖关系，而BiGRU则用于捕捉序列数据中的局部依赖关系。
2024-07-16 16:30:27
409
原创 数据清洗（缺失值，异常值，离群值）
1.适用于处理SCADA系统采集到的数据，数据中的缺失值，异常值，离群值均处理，同样也适用于有类似需求的数据集。2.其中，异常值处理采用Ransac法拟合并结合孤立森林算法检测替代，离群值采用滑动窗线性插值，清洗后数据效果提升，相关性进一步增强，但不失原数据的特征及随机性。在处理异常值和离群值时，结合RANSAC（Random Sample Consensus，随机抽样一致）算法、孤立森林算法以及滑动窗线性插值的方法可以显著提高数据清洗的效果，同时保持原数据的特征和随机性。
2024-07-16 16:28:34
368
原创 基于Bootstrap的区间概率预测
Bootstrap区间预测是一种强大的统计推断技术，用于估计未来观测值的范围，帮助人们更好地理解数据的不确定性，并为决策者提供更可靠的信息。
2024-07-16 16:27:33
183
原创 基于QRF随机森林分位数多变量回归区间预测模型
基于QRF（分位数随机森林）的随机森林分位数多变量回归区间预测模型结合了随机森林和分位数回归的概念，用于估计多个输入变量与单个输出变量之间的关系，并预测输出变量的分位数区间。
2024-07-15 18:45:04
434
原创 核密度估计区间预测
核密度估计（Kernel Density Estimation, KDE）是一种非参数方法，用于估计随机变量的概率密度函数。在区间预测中，核密度估计可以用来估计预测值的概率分布，进而确定预测值的置信区间。以下是核密度估计区间预测的原理和步骤的详细介绍。
2024-07-15 18:44:13
186
原创 VMD-CNN-LSTM（变分模态分解-卷积神经网络-长短期记忆网络）组合预测模型
在VMD-CNNLSTM模型中，LSTM用于对CNN提取的特征进行建模，并捕捉时间序列中的长期依赖关系。通过VMD、CNN和LSTM的有机结合，VMD-CNNLSTM模型能够充分利用各自的优点，实现对复杂时间序列数据的准确预测和分析。该模型在处理具有非线性、非平稳性和时序依赖性的时间序列数据时表现出色，广泛应用于金融预测、天气预测、交通流量预测等领域。VMD-CNNLSTM模型结合了变分模态分解（VMD）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的原理，用于处理和分析时间序列数据。
2024-07-15 18:43:10
603
原创 VMD-CNN-BiLSTM（变分模态分解-卷积神经网络-双向长短记忆网络）组合预测模型
VMD-CNN-BiLSTM 是一种结合了变分模态分解（Variational Mode Decomposition, VMD）、卷积神经网络（Convolutional Neural Network, CNN）和双向长短记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的复合模型。在 VMD-CNN-BiLSTM 模型中，BiLSTM 用于对 CNN 提取的特征进行建模，并捕捉时间序列中的长期依赖关系。对预测列进行分解，效果如图。
2024-07-15 18:42:14
401
原创 VMD-TCN-BIGRU （变分模态分解-时域卷积网络-双向门控循环单元）组合预测模型
该模型旨在通过多层次的处理结构，从时间序列数据中提取有效的特征，并捕捉其中的长期和短期依赖关系，以实现准确的预测。该模型旨在通过多层次的处理结构，从时间序列数据中提取有效的特征，并捕捉其中的长期和短期依赖关系，以实现准确的预测。通过结合VMD、TCN和BiGRU的优势，VMD-TCNBiGRU模型能够有效地处理和分析时间序列数据，实现准确的预测和分析结果。通过结合VMD、TCN和BiGRU的优势，VMD-TCNBiGRU模型能够有效地处理和分析时间序列数据，实现准确的预测和分析结果。
2024-07-15 18:41:18
474
原创 VMD-CNN-GRU（变分模态分解-卷积神经网络-门控循环单元）组合预测模型
VMD-CNNGRU模型是一个结合了变分模态分解（VMD）、卷积神经网络（CNN）和门控循环单元（GRU）的复合模型。该模型的设计旨在处理和分析时间序列数据，特别是在预测和分析具有复杂非线性特性的时间序列数据时表现出色。效果展示：对比模型包含 CNNGRU GRU由图和评价指标可以看出VMD-CNNGRU效果更好。以风电数据集为例进行风电功率预测。
2024-07-14 17:35:29
844
原创 LSTM预测（用现有数据预测未来数据）
基于长短期记忆神经网络（LSTM）的时间序列预测，特别是在递归预测未来数据方面，展示了深度学习在处理序列数据时的强大能力。LSTM是一种特殊的循环神经网络（RNN），它能够有效地处理时间序列数据中的长期依赖关系，这在传统RNN中是一个难题。下面，我们将对LSTM的结构原理及其在递归预测未来数据中的应用进行深层次解析。
2024-07-14 17:34:36
652
原创 BITCN合集（BITCN 、BITCN-GRU、BITCN-BIGRU、BITCN-LSTM、BITCN-BILSTM、BITCN-SVM）
BITCN合集（BITCN 、BITCN-GRU、BITCN-BIGRU、BITCN-LSTM、BITCN-BILSTM、BITCN-SVM）评价指标包括MAE、MAPE 、MSE、RMSE、R2。可出适应的曲线图、评价指标二维对比图、评价指标雷达图。
2024-07-13 18:50:05
900
原创 CNN卷积神经网络(预测未来数据)
CNN（卷积神经网络）通常用于处理图像数据，但在某些情况下，也可以结合其他技术（如循环神经网络RNN或长短时记忆网络LSTM）来预测未来数据，特别是在处理时间序列数据时。
2024-07-13 18:49:05
307
原创 霜冰RIME优化VMD+皮尔逊+降噪重构
皮尔逊相关系数是通过计算两个变量之间的协方差来衡量它们之间的关联程度。其值域为-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示无相关。
2024-07-13 18:48:07
833
原创 XGboost多参数网格搜索交叉验证优化
在使用XGBoost进行多参数网格搜索和交叉验证优化时，我们通常希望找到最佳的模型参数组合，以使得模型在验证集上的性能达到最优。
2024-07-13 18:46:30
570
原创 CNN-BiLSTM-Selfattention-ABKDE卷积双向长短期记忆自注意力机制神经网络结合自适应带宽核密度估计多变量时序区间预测
CNN-BiLSTM-Selfattention-ABKDE是一种结合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、自注意力机制（Selfattention）以及自适应带宽核密度估计（ABKDE）的复杂神经网络模型。3.区间预测（区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(R2、MAE、MAPE、MBE、MSE),多输入单输出。整体网络结构包括输入层、CNN层、BiLSTM层、Selfattention层、ABKDE层以及输出层。
2024-07-13 18:45:27
1327
原创 基于麻雀搜索优化Kmeans图像分割算法
该算法的核心思想是利用麻雀搜索算法的全局优化能力来优化K-means算法的初始聚类中心选择，从而提高K-means图像分割的效率和准确性。在图像分割任务中，该算法将图像像素的RGB值作为特征向量，将每个像素点视为麻雀，通过麻雀搜索算法寻找最佳的初始聚类中心，然后使用K-means算法进行聚类，实现图像分割。基于麻雀搜索优化K-means的图像分割算法是一种结合了麻雀搜索算法（Sparrow Search Algorithm, SSA）和K-means聚类算法的图像分割技术。
2024-07-13 18:44:25
668
原创 CNN-BiLSTMNTS-KDE多变量时序区间预测
CNN-BiLSTMNTS-KDE模型结合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、非参数时序建模（NTS）以及核密度估计（KDE）来进行多变量时序数据的区间预测。这种组合旨在充分利用CNN对局部特征的捕捉能力、BiLSTM对时序数据长期依赖性的建模能力、NTS对时序数据非参数建模的灵活性以及KDE对概率分布的估计能力。具体来说，模型首先使用CNN提取时序数据的局部特征，然后这些特征被送入BiLSTM网络以捕捉时序数据中的长期依赖关系。
2024-07-12 18:49:58
1253
原创 VMD-小波阈值、小波阈值、VMD 降噪
VMD（Variational Mode Decomposition）、小波降噪以及VMD-小波降噪是三种常见的降噪方法。原理：VMD是一种非递归的变分模态分解方法，它基于信号的局部频率特征，将原始信号分解为多个具有不同频率和振幅的振动模态（或称为固有模态函数IMF）。在降噪过程中，通过分离噪声模态和信号模态，实现信号的降噪。然后，根据噪声和信号在小波域上的不同特性，对小波系数进行处理（如阈值处理），最后通过逆小波变换重构降噪后的信号。原理：VMD-小波降噪是将VMD和小波降噪相结合的一种降噪方法。
2024-07-12 18:48:43
1427
原创 ICEEMDAN-LSTM时间序列预测
最后，将LSTM对各个IMF的预测结果进行集成，得到最终的预测结果。ICEEMDAN算法是对CEEMDAN算法的改进，通过引入改进的完全扩展经验模态分解（ICEEMDAN），旨在进一步优化IMF（固有模式函数）的提取和分解精度。在ICEEMDAN中，通过改进噪声的添加方式和分解策略，能够更准确地提取时间序列中的复杂模式，提高预测的准确性。ICEEMDAN-LSTM神经网络时序预测算法是一种结合了改进的完全扩展经验模态分解（ICEEMDAN）和长短期记忆神经网络（LSTM）的时间序列预测方法。
2024-07-12 18:47:21
533
原创 CEEMDAN-LSTM时间序列预测
通过结合CEEMDAN和LSTM的优势，CEEMDAN-LSTM算法能够更准确地捕捉时间序列数据中的复杂模式和非线性特征，从而提高预测的准确性和稳定性。CEEMDAN-LSTM算法结合了完全扩展经验模态分解（CEEMDAN）和长短期记忆网络（LSTM）的优势，旨在更准确地预测时间序列数据。CEEMDAN-LSTM算法主要由两部分组成：CEEMDAN分解部分和LSTM预测部分。
2024-07-12 18:45:48
537
原创 EMD-LSTM时间序列预测
EMD-LSTM算法结合了经验模态分解（Empirical Mode Decomposition，EMD）和长短期记忆神经网络（Long Short-Term Memory，LSTM）的优点。然后，将每个IMF序列作为LSTM网络的输入，利用LSTM模型学习并预测每个IMF的未来值。通过将EMD和LSTM相结合，该算法能够更准确地捕捉时间序列数据中的复杂模式和非线性特征，从而提高预测的准确性和稳定性。EMD-LSTM算法主要由两个部分组成：EMD分解部分和LSTM预测部分。
2024-07-12 18:44:22
449
原创 EEMD-LSTM时间序列预测
首先，EEMD方法通过向原始信号中添加白噪声来解决经验模态分解（EMD）中的模态混叠问题，使得信号能在各个尺度上得到更充分的分解，从而提高了分解结果的完整性和准确性。然后，LSTM神经网络用于处理每个由EEMD分解得到的固有模式函数（Intrinsic Mode Function，IMF），学习并预测其未来的趋势。EEMD-LSTM算法在处理非线性、非平稳时间序列数据时具有显著优势，能够准确捕捉时间序列中的复杂模式和非线性特征，提高预测的准确性和稳定性。
2024-07-12 18:41:33
597
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人