目录
一、程序及算法内容介绍:
基本内容:
-
本代码基于Matlab平台编译,将PSO(粒子群算法)与CNN(卷积神经网络)结合,进行多输入数据时序预测
-
输入训练的数据包含8个特征,1个响应值,即通过8个输入值预测1个输出值(多变量时序预测,输入输出个数可自行指定)
-
归一化训练数据,提升网络泛化性
-
通过PSO算法优化CNN网络的学习率、卷积核个数参数,记录下最优的网络参数
-
训练CNN网络进行回归预测,实现更加精准的预测
-
迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标,自动输出大量实验效果图片
亮点与优势:
-
注释详细,几乎每一关键行都有注释说明,适合小白起步学习
-
直接运行Main函数即可看到所有结果,使用便捷
-
编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码
-
所有数据均采用Excel格式输入,替换数据方便,适合懒人选手
-
出图详细、丰富、美观,可直观查看运行效果
-
附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明
二、实际运行效果:
三、部分代码:
clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共472个样本(每一行表示一个样本)
% 2. 每个样本8个特征值(即前8列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第9列为表示样本的响应值,即被预测的变量)
%% 划分训练集和测试集
InPut_num = 1:1:8; % 输入特征个数,数据表格中前8列为输入值,因此设置为1:1:8,若前5个为输入则设置为1:1:5
OutPut_num = 9; % 输出响应个数,本例仅一个响应值,为数据表格中第9个,若多个响应值参照上行数据格式设置为x:1:y
% 选取前376个样本作为训练集,后96个样本作为测试集,即(1:376),和(377:end)
Train_InPut = Data(1:376,InPut_num); % 训练输入
Train_OutPut = Data(1:376,OutPut_num); % 训练输出
Test_InPut = Data(377:end,InPut_num); % 测试输入
Test_OutPut = Data(377:end,OutPut_num); % 测试输出
clear Temp;