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SSA(樽海鞘优化算法)与LSTM(长短期记忆神经网络)结合,进行多输入数据分类预测
-
输入训练的数据包含12个特征,1个响应值,即通过12个输入值预测1个输出值(多变量分类预测,个数可自行制定)
-
归一化训练数据,提升网络泛化性
-
通过SSA算法优化LSTM网络的学习率、神经元个数参数,记录下最优的网络参数
-
训练LSTM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、算法介绍:
樽海鞘群算法( salp swarm algorithm,SSA): 是Seyedali Mirjalili等于2017年提出的一种新型智能优化算法。该算法模拟了樽海鞘链的群体行为,是一种较新颖的群智能优化算法。每次迭代中,领导者指导追随者,以一种链式行为,向食物移动。移动过程中,领导者进行全局探索,而追随者则充分进行局部探索,大大减少了陷入局部最优的情况。
LSTM(Long Short-Term Memory):是一种长短期记忆网络,是一种特殊的RNN(循环神经网络)。与传统的RNN相比,LSTM更加适用于处理和预测时间序列中间隔较长的重要事件。传统的RNN结构可以看做是多个重复的神经元构成的“回路”,每个神经元都接受输入信息并产生输出,然后将输出再次作为下一个神经元的输入,依次传递下去。这种结构能够在序列数据上学习短时依赖关系,但是由于梯度消失和梯度爆炸问题,RNN在处理长序列时难以达到很好的性能。