ICEEMDAN-SSA-BILSTM改进自适应经验模态分解结合麻雀算法优化双向长短期记忆神经网络时间序列预测(含BILSTM、SSA-BILSTM、ICEEMDAN-SSA-BILSTM等模型的对比

最新推荐文章于 2024-09-15 22:37:33 发布

智能算法及其模型预测

最新推荐文章于 2024-09-15 22:37:33 发布

阅读量506

点赞数 9

文章标签：神经网络人工智能深度学习

本文链接：https://blog.csdn.net/qq_43916303/article/details/135840930

版权

该文探讨了如何利用ICEEMDAN算法分解数据集，进行训练与预测，展示了分解后的IMF序列图。

摘要由CSDN通过智能技术生成

%% 清空变量
clc;
clear;
close all;
format compact ;
warning off

%% 读取数据
data = xlsread('数据集.xlsx')';

[x,y]=data_process(data,6); %步长为12

n=size(x,1);
m=round(n*0.7); %前70%训练，对最后30%进行预测
PP_train=x(1:m,:)';
PP_test=x(m+1:end,:)';
TT_train=y(1:m,:)';
TT_test=y(m+1:end,:)';

%% 信号分解
%% 设置iceemdan并运行
Nstd = 0.2; % Nstd: noise standard deviation
NR = 50; % NR: number of realizations
MaxIter = 500; % MaxIter: maximum number of sifting iterations allowed.
SNRFlag=1;
IMF_iceemdan=(iceemdan(data,Nstd,NR,MaxIter,SNRFlag));

%% iceemdan分解得到的序列个数由程序判定
%% 画图
[a,b]=size(IMF_iceemdan);
figure('Name','ICEEMDAN分解结果图','Color',[1 1 1]);
subplot(a+1,1,1);
plot(data);
ylabel('原始数据');
for i=1:size(IMF_iceemdan,1)-1 % 一共9个imf分量
subplot(a+1,1,i+1);
plot(IMF_iceemdan(i,:),'LineWidth',1,'Color',[0 0 0]);
% xlabel('时间/10min');
ylabel(['IMF' num2str(i)]);
end
subplot(a+1,1,a+1);
plot(IMF_iceemdan(a,:),'LineWidth',1,'Color',[0 0 0]);
xlabel('时间/10min');
ylabel('res');