👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
1.1 麻雀搜索算法
1.2 长短期记忆神经网络
📚2 运行结果
部分代码:
%% 获取优化参数
numHiddenUnits = round(x(1));%LSTM网路包含的隐藏单元数目
maxEpochs = round(x(2));%最大训练周期
InitialLearnRate = x(3);%初始学习率
L2Regularization = x(4);%L2参数
%设置网络
layers = [ ...
sequenceInputLayer(numFeatures)
lstmLayer(numHiddenUnits)
fullyConnectedLayer(numResponses)
regressionLayer];
%指定训练选项,采用cpu训练, 这里用cpu是为了保证能直接运行,如果需要gpu训练,改成gpu就行了,且保证cuda有安装
options = trainingOptions('adam', ...
'MaxEpochs',maxEpochs, ...
'ExecutionEnvironment' ,'cpu',...
'InitialLearnRate',InitialLearnRate,...
'GradientThreshold',1, ...
'L2Regularization',L2Regularization, ...
'Verbose',0);
%'Plots','training-progress'
%训练LSTM
net = trainNetwork(XTrain,YTrain,layers,options);
%训练集测试
PredictTrain = predict(net,XTrain, 'ExecutionEnvironment','cpu');
%测试集测试
PredictTest = predict(net,XTest, 'ExecutionEnvironment','cpu');
%训练集mse
mseTrain = mse(YTrain-PredictTrain);
%测试集mse
mseTest = mse(YTest-PredictTest);
%% 测试集准确率
fitness =mseTrain+mseTest;
disp('训练结束....')
end
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]陈玺. 基于ISSA-LSTM的超短期风电功率预测[D].宁夏大学,2022.DOI:10.27257/d.cnki.gnxhc.2022.000273.
[2]林彬彬,袁泉,田志新,潘显斌,周文宗,徐震.基于SSA- LSTM模型的黄鳝池溶氧预测研究[J].渔业现代化,2023,50(01):71-79.