粒子群算法(PSO)优化长短期记忆神经网络的数据回归预测，PSO-LSTM回归预测，多输入单输出模型

智能算法及其模型预测

已于 2022-12-23 15:40:59 修改

阅读量878

点赞数

文章标签：神经网络回归 lstm

于 2022-11-28 09:31:11 首次发布

本文链接：https://blog.csdn.net/qq_43916303/article/details/128073915

版权

该博客介绍了使用鲸鱼优化算法(WOA)来优化LSTM(long short-term memory)神经网络的参数设置。作者通过导入训练和测试数据，设定WOA的参数，并定义了适应度函数。优化过程旨在最小化预测误差，从而提高LSTM模型的预测性能。博客中还提供了完整的MATLAB代码示例，供读者参考和学习。

摘要由CSDN通过智能技术生成

lear all;
close all;
clc;

%% 导入数据
P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';
%% WOA优化参数设置
SearchAgents = 10; % 种群数量 50
Function_name='LSTM_MIN';
Max_iterations = 10; % 迭代次数 10
lowerbound = [10 0.001 10 ];%三个参数的下限
upperbound = [200 0.02 200 ];%三个参数的上限
dimension = 3;%数量，即要优化的LSTM参数个数
fitness = @(x)LSTM_MIN(x,P_train,P_test,T_train,T_test);
%% WOA优化LSTM
[Best_score,Best_pos,Convergence_curve]=PSO(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness)

关注：智能算法及其模型预测

获取代码