- 博客(212)
- 收藏
- 关注
RSS订阅原创 基于LSTM-Adaboost的电力负荷预测—附数据集|长短期记忆神经网络
其核心思想是迭代地训练一系列弱分类器，每个分类器都在前一个分类器分类错误的样本上进行重点训练，通过加权组合多个弱分类器，构建一个性能更强的集成分类器。在每一轮迭代中，Adaboost会根据上一轮分类器的表现调整样本权重，使得被错误分类的样本在下一轮迭代中获得更高的权重，从而使得后续的分类器更加关注难以分类的样本。最终的分类器是所有弱分类器的加权组合，其中每个弱分类器的权重取决于其在训练过程中的表现。1. 初始化权重：开始时，将训练数据集中的每个样本赋予相等的权重，即每个样本对应的权重相同。
2024-05-21 10:30:00
467
原创 MVO-RF|多元宇宙算法-随机森林-分类|多变量特征筛选-分类预测|Matlab
该算法的灵感来源于天文学中的多元宇宙理论，通过模拟多个宇宙的演化过程来寻找最优解。多元宇宙优化算法的核心思想是将每个宇宙看作一个解空间，通过不断地移动这些“多元宇宙”来搜索最优解。具体实现中，算法首先初始化一个包含多个宇宙（解空间）的多元宇宙种群，然后在每个宇宙内部随机生成一些初始粒子，并使用粒子群算法来搜索最优解。在算法的执行过程中，所有宇宙会进行交换和融合操作，以在全局范围内搜索最优解。算法的设计受到多元宇宙理论的启发，通过模拟多个宇宙的演化过程来进行优化搜索。，这两个关键参数，提升预测的精度。
2024-05-20 10:30:00
667
原创 WOA-LSTM分类预测|多输入|鲸鱼算法-长短期神经网络|Matlab
该算法的灵感来自于座头鲸群体的狩猎行为，通过模拟鲸鱼的行为来进行优化搜索。在搜索觅食阶段，算法模拟了鲸鱼在寻找食物时的行为，通过随机调整候选解的位置来搜索最优解。在收缩包围阶段，算法将候选解逐渐收缩到全局最优解的附近，以提高搜索的精度。在螺旋更新位置阶段，算法通过螺旋运动更新候选解的位置，以进一步优化搜索结果。鲸鱼优化算法的三个种群更新机制相互独立，分别控制全局探索和局部开发过程，提高了算法的搜索效率和控制能力。与其他群体智能优化算法相比，鲸鱼优化算法不需要人为设置各种控制参数值，减少了算法的应用难度。
2024-05-17 13:53:39
677
原创 GA-RF|遗传算法-随机森林-回归|多变量特征筛选-回归预测|Matlab
在基于遗传算法优化的随机森林预测中，遗传算法被用来调整随机森林的超参数，例如树的数量、树的深度、特征子集大小等。在遗传算法中，需要定义一个适应度函数来评估每个个体（超参数配置）的性能。通过遗传算法，可以搜索超参数空间以找到最佳的超参数配置，以优化模型性能。通过结合遗传算法和随机森林模型，可以更有效地搜索超参数空间，找到最佳的超参数配置，从而提高随机森林模型的预测性能和泛化能力。编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码。，即通过18个输入值预测1个输出值。，这两个关键参数，提升预测的精度。
2024-05-15 10:30:00
546
原创 PSO-SVM多变量回归预测|粒子群算法优化支持向量机|Matalb
粒子群优化算法（Particle Swarm Optimization，PSO）是一种启发式优化算法，模拟了鸟群或鱼群等群体在搜索食物或资源时的群体行为，由美国学者Eberhart和Kennedy于1995年提出。PSO算法通过模拟粒子在解空间中的运动来寻找最优解。PSO算法的基本思想源于模拟鸟群或鱼群等群体在搜索食物时的行为。在算法中，每个候选解（也称为粒子）被视为搜索空间中的一个点，并且每个粒子都有一个位置和一个速度。粒子的位置代表了一个解，而速度代表了粒子在解空间中的搜索方向和速率。
2024-05-13 10:00:00
689
原创 GWO-CNN|多输入时序预测|灰狼算法优化卷积神经网络|Matlab
灰狼优化算法（Grey Wolf Optimizer，GWO）是一种群智能优化算法，灵感源自于灰狼捕食猎物的行为，通过模拟灰狼群体的社会结构和协作行为，来解决优化问题。在自然界中，灰狼群体通常由领导者（alpha）、副领导者（beta）、受挑战者（delta）和群众（omega）组成，它们之间通过各种行为相互协作，共同捕食猎物。模拟捕食行为：根据灰狼群体的社会结构，模拟灰狼群体的捕食行为，包括跟踪、包围、追捕和攻击猎物。更新位置：根据捕食行为的模拟结果，更新每个灰狼的位置，以寻找更优的解。
2024-05-08 10:00:00
352
原创 如何选择最佳的机器学习分类模型？基于使用贝叶斯和异步连续减半算法(ASHA)优化的最佳分类模型自动选择方法
对于分类问题，不同机器学习模型分类的效果不同，而且在同一模型下不同的超参数也对最终的分类效果有影响。因此对于某一分类任务，如何确定最佳的机器学习分类模型及其超参数便是一个值得探究的问题。本代码基于Matlab平台，采用了两种优化方法：贝叶斯优化算法(Bayesian)和异步连续减半优化算法(ASHA)来自动的确定最佳的分类模型及其超参数。候选的机器学习分类模型包含：朴素贝叶斯分类器，支持向量机SVM，紧凑神经网络，随机森林Tree，共4种。
2024-05-07 10:00:00
749
原创 基于VMD-CNN-LSTM的电力负荷预测—代码+数据
首先采用 VMD 技术将输入负荷数据分解为多个有限带宽的本征模态分量，分解结果表明了人们生产生活中不同的用电习惯，并且分离了数据中的噪声和信号，然后对每个模态分量建立 CNN-LSTM 神经网络进行预测，结合模型输出重构预测结果。其中，CNN用于提取负荷分量中的用电特征信息，LSTM用于提取负荷分量中的用电时序信息。本代码基于Matlab平台，建立了VMD-CNN-LSTM模型进行负荷预测，并和传统的单一CNN-LSTM模型进行对比，充分说明本文所提方法的有效性。（4）结合每个模型的输出，重构预测结果。
2024-04-25 10:00:00
339
原创 WOA-SVM多变量回归预测|基于鲸鱼优化算法的支持向量机|Matalb
SVM的核心思想是将数据映射到高维特征空间，并在该空间中寻找一个最优超平面，以最大化不同类别样本点之间的分离程度。在实际应用中，通常使用高斯核函数，该核函数具有参数C和g。参数C控制对误分类样本的惩罚程度，而参数g控制高斯核函数的宽度。g（或gamma）是RBF（径向基函数）核函数的一个参数，它隐含地决定了数据映射到新的特征空间后的分布。gamma值越大，支持向量越少，可能会影响训练与预测的速度。C值越高，表明越不能容忍误差，可能导致过拟合。编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码。
2024-04-19 10:00:00
303
原创 SCA-CNN-LSTM多输入分类预测|正余弦优化算法-卷积-长短期神经网络|Matlab
到了开发阶段，随机解会逐渐发生变化，且变化速度会低于探索阶段。正余弦优化算法(Sine Cosine Algorithm,简称SCA)是一种仿自然优化算法，由澳大利亚学者Seyedali Mirjalili于 2016年提出。该算法通过创建多个随机候选解，利用正余弦数学模型来求解优化问题。所有数据均采用Excel格式输入，替换数据方便，适合懒人选手。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。编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码。网络进行分类预测，实现更加精准的预测。
2024-04-17 10:00:00
277
原创 SCA-CNN-LSTM多输入回归预测|正余弦优化算法-卷积-长短期神经网络|Matlab
到了开发阶段，随机解会逐渐发生变化，且变化速度会低于探索阶段。正余弦优化算法(Sine Cosine Algorithm,简称SCA)是一种仿自然优化算法，由澳大利亚学者Seyedali Mirjalili于 2016年提出。该算法通过创建多个随机候选解，利用正余弦数学模型来求解优化问题。所有数据均采用Excel格式输入，替换数据方便，适合懒人选手。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。编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码。网络进行分类预测，实现更加精准的预测。
2024-04-17 10:00:00
451
原创 基于ADAM算法的多微网协同优化调度——文章复现
本代码基于Matlab平台，搭配Yalmip+Cplex进行仿真，采用交替乘子法(ADAM)对包含3个为微电网的系统进行协同优化调度，目标函数中考虑了微电网的运行成本、碳交易成本、储能的充放电成本以及可削减电负荷的补偿成本等，微电网中的新能源机组包含光伏和风电两种。在ADAM算法中采用拉格朗日和大M法进行迭代求解，最终实现了3个微网的最优低碳经济运行，有效提升了可再生能源消纳率。在双碳目标激励下，分布式电源将迎来快速增长阶段。
2024-04-16 10:30:00
237
原创 基于BP神经网络-Adaboost的多输入回归预测方法
本代码基于Matlab平台，实现了基于BP神经网络和Adaboost算法相结合的数据回归预测方法。首先，利用BP神经网络对数据进行特征提取和模式识别，以建立初步的回归模型。然后，通过Adaboost算法对BP神经网络进行集成学习，以进一步提高模型的预测性能和稳定性。相较于传统的单一BP神经网络模型，Adaboost通过集成多个弱分类器，每个分类器都针对之前分类错误的样本进行加权调整，从而减小了分类误差。
2024-04-09 14:30:00
973
原创 基于VMD-BiLSTM的电力负荷预测—代码+数据
首先采用 VMD 技术将输入负荷数据分解为多个有限带宽的本征模态分量，分解结果表明了人们生产生活中不同的用电习惯，并且分离了数据中的噪声和信号，然后对每个模态分量建立 Bi-LSTM 神经网络进行预测，结合模型输出重构预测结果。然后利用深度学习神经网络Bi-LSTM分别对分解出的模态分量建模，Bi-LSTM神经网络由于具有记忆单元可以提取出更长的时间尺度上数据之间的关联性，在处理时间序列预测问题上能获得更高的精度。，所有数据均采用Excel格式输入，替换数据方便，适合懒人选手.
2024-04-06 14:00:00
423
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人