(CNN-LSTM)卷积神经网络结合长短期记忆网络
关注
分享
扫一扫
文章平均质量分 94
介绍智能优化算法改进的卷积神经网络结合长短期记忆网络(CNN-LSTM)
智能算法研学社（Jack旭）
书籍《智能优化算法及其MATLAB实现》，《Python智能优化算法：从原理到代码实现与应用》，《智能优化算法与MATLAB编程实践》作者，代码获取可通过公众号，或者私信。
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
基于指数分布算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用指数分布算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-30 10:45:36 · 598 阅读 · 0 评论 -
基于斑马算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用斑马算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-30 10:45:26 · 793 阅读 · 0 评论 -
基于袋獾算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用袋獾算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-30 10:45:17 · 748 阅读 · 0 评论 -
基于减法平均算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用减法平均算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-30 10:45:05 · 902 阅读 · 0 评论 -
基于鱼鹰算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用鱼鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-30 10:44:56 · 750 阅读 · 0 评论 -
基于驾驶训练算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用驾驶训练算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:51 · 639 阅读 · 0 评论 -
基于浣熊算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用浣熊算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:42 · 1059 阅读 · 0 评论 -
基于厨师算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用厨师算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:35 · 965 阅读 · 0 评论 -
基于卷积优化算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用卷积优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:25 · 986 阅读 · 0 评论 -
基于人工兔算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用人工兔算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:17 · 787 阅读 · 0 评论 -
基于协作搜索算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用协作搜索算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:45:00 · 983 阅读 · 0 评论 -
基于人工蜂鸟算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用人工蜂鸟算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:44:49 · 1045 阅读 · 0 评论 -
基于蜣螂算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用蜣螂算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:44:39 · 1240 阅读 · 0 评论 -
基于法医调查算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用法医调查算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:44:32 · 655 阅读 · 0 评论 -
基于孔雀算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用孔雀算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:44:23 · 576 阅读 · 0 评论 -
基于白鲸算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用白鲸算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:44:06 · 1057 阅读 · 0 评论 -
基于侏儒猫鼬算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用侏儒猫鼬算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:43:56 · 833 阅读 · 0 评论 -
基于沙猫群算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用沙猫群算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:43:48 · 1119 阅读 · 0 评论 -
基于战争策略算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用战争策略算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-29 06:43:39 · 1257 阅读 · 0 评论 -
基于广义正态分布算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用广义正态分布算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；原创 2025-09-29 06:43:31 · 692 阅读 · 0 评论 -
基于食肉植物算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用食肉植物算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:46:49 · 993 阅读 · 0 评论 -
基于金豺算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用金豺算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:46:39 · 636 阅读 · 0 评论 -
基于鹈鹕算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用鹈鹕算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:46:31 · 865 阅读 · 0 评论 -
基于北方苍鹰算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用北方苍鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:46:22 · 780 阅读 · 0 评论 -
基于蛇优化算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用蛇优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:46:15 · 948 阅读 · 0 评论 -
基于材料生成算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用材料生成算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:45:56 · 967 阅读 · 0 评论 -
基于跳蛛算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用跳蛛算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:45:46 · 559 阅读 · 0 评论 -
基于向量加权平均算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用向量加权平均算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；原创 2025-09-28 06:45:37 · 1028 阅读 · 0 评论 -
基于金枪鱼群算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用金枪鱼群算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:45:29 · 656 阅读 · 0 评论 -
基于爬行动物算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用爬行动物算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:45:21 · 660 阅读 · 0 评论 -
基于原子轨道搜索算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用原子轨道搜索算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；原创 2025-09-28 06:45:06 · 819 阅读 · 0 评论 -
基于鹰栖息算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用鹰栖息算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:44:56 · 955 阅读 · 0 评论 -
基于卷尾猴算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用卷尾猴算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:44:48 · 889 阅读 · 0 评论 -
基于人工大猩猩部队算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用人工大猩猩部队算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；原创 2025-09-28 06:44:40 · 552 阅读 · 0 评论 -
基于晶体结构算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用晶体结构算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-28 06:44:32 · 778 阅读 · 0 评论 -
基于变色龙算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用变色龙算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-27 15:00:48 · 926 阅读 · 0 评论 -
基于白冠鸡算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用白冠鸡算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-27 15:00:40 · 1037 阅读 · 0 评论 -
基于骑手优化算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用骑手优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-27 15:00:32 · 695 阅读 · 0 评论 -
基于社交网络算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用社交网络算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-27 15:00:24 · 1019 阅读 · 0 评论 -
基于野狗算法优化卷积神经网络结合长短期记忆网络(CNN-LSTM)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。由前文可知，CNN-LSTM的参数设置具有满目性。本文利用野狗算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；最后，新的状态表示为。原创 2025-09-27 15:00:17 · 994 阅读 · 0 评论