![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络预测与分类
文章平均质量分 89
长安程序猿
这个作者很懒,什么都没留下…
展开
-
BP神经网络数据分类——语音特征信号分类(Matlab代码实现)
本文采用的是最基本的BP神经网络,可以发现准确性还有提高空间,而且多次运行分类算法后会发现第一类和第三类的识别准确率非常不稳定,从而算法还可以改进,常用的改进方法有:调整隐含层节点数、附加动量法(权值和阈值更新算法)、变学习率学习算法等等。在语音特征信号分类中,BP神经网络可以用于将语音信号的特征进行分类,比如将语音信号分成不同的语音类别,如说话人的声音、语音命令、语音识别等。神经网络包括输入层、隐藏层和输出层,其中输入层接收预处理后的语音特征信号,输出层给出对应的分类结果。%从1到2000间随机排序。原创 2023-07-11 21:53:49 · 365 阅读 · 0 评论 -
【ARIMA-SSA-LSTM】合差分自回归移动平均方法-麻雀优化-长短期记忆神经网络研究(Python代码实现)
【ARIMA-SSA-LSTM】合差分自回归移动平均方法-麻雀优化-长短期记忆神经网络研究(Python代码实现)原创 2023-07-10 15:34:51 · 993 阅读 · 0 评论 -
遗传算法(GA)优化后RBF神经网络优化分析(Matlab代码实现)
目录1 遗传算法2 RBF神经网络3 Matlab代码实现4 结果。原创 2023-07-06 20:12:52 · 439 阅读 · 0 评论 -
用于非线性时间序列预测的稀疏局部线性和邻域嵌入(Matlab代码实现)
本文提出了一种基于字典的L1范数稀疏编码,用于时间序列预测,不需要训练阶段,参数调整最少,适用于非平稳和在线预测应用。尝试了约束稀疏编码公式,包括稀疏局部线性嵌入和稀疏最近邻嵌入。16个时间序列数据集用于测试离线时间序列预测方法,其中训练数据是固定的。所提出的方法还与Bagging树(BT),最小二乘支持向量回归(LSSVM)和正则化自回归模型进行了比较。所提出的稀疏编码预测显示出比使用10倍交叉验证的LSSVM更好的性能,并且比正则化AR和Bagging树的性能明显更好。4 Matlab代码实现。原创 2023-07-03 09:07:10 · 143 阅读 · 0 评论 -
【ARIMA-WOA-CNN-LSTM】合差分自回归移动平均方法-鲸鱼优化-卷积神经网络-长短期记忆神经网络研究(Python代码实现)
【ARIMA-WOA-CNN-LSTM】合差分自回归移动平均方法-鲸鱼优化-卷积神经网络-长短期记忆神经网络研究(Python代码实现)原创 2023-07-02 11:43:05 · 778 阅读 · 0 评论 -
【RF-SSA-LSTM】随机森林-麻雀优化算法优化时间序列预测研究(Python代码实现)
【RF-SSA-LSTM】随机森林-麻雀优化算法优化时间序列预测研究(Python代码实现)原创 2023-06-30 19:24:11 · 1272 阅读 · 0 评论 -
【RF-SSA-LSTM】随机森林-麻雀优化算法优化时间序列预测研究(Python代码实现)
【RF-SSA-LSTM】随机森林-麻雀优化算法优化时间序列预测研究(Python代码实现)原创 2023-06-24 19:47:19 · 450 阅读 · 0 评论 -
【VMD-LSTM】变分模态分解-长短时记忆神经网络研究(Python代码实现)
【VMD-LSTM】变分模态分解-长短时记忆神经网络研究(Python代码实现)原创 2023-06-23 14:26:58 · 1172 阅读 · 0 评论 -
【VMD-DBO-LSTM】变分模态分解-蜣螂优化算法-长短时记忆神经网络研究(Python代码实现)
【VMD-DBO-LSTM】变分模态分解-蜣螂优化算法-长短时记忆神经网络研究(Python代码实现)原创 2023-06-22 09:39:03 · 921 阅读 · 0 评论 -
【CEEMDAN-CNN-LSTM】完备集合经验模态分解-卷积神经长短时记忆神经网络研究(Python代码实现)
[1]金子皓,向玲,李林春,胡爱军.基于完备集合经验模态分解的SE-BiGRU超短期风速预测[J].电力科学与工程,2023,39(01):9-16.[2]蒋富康,陆金桂,刘明昊,丰宇.基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断[J].电子测量技术,2023,46(05):72-77.DOI:10.19651/j.cnki.emt.2210775.原创 2023-06-18 14:08:10 · 1609 阅读 · 0 评论 -
多种优化算法优化LSTM——【包括:粒子群、蝙蝠、正余旋、多元宇宙、正余弦、JAYA、哈里斯鹰、萤火虫、布谷鸟、非洲秃鹫、麻雀优化、灰狼优化、蜣螂优化】(Python代码实现)
【包括:粒子群、蝙蝠、正余旋、多元宇宙、正余弦、JAYA、哈里斯鹰、萤火虫、布谷鸟、非洲秃鹫、麻雀优化、灰狼优化、蜣螂优化】博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。多种优化算法优化LSTM(Python代码实现)部分理论来源于网络,如有侵权请联系删除。行百里者,半于九十。原创 2023-06-18 10:30:09 · 106 阅读 · 0 评论 -
【ARIMA-LSTM】合差分自回归移动平均方法-长短期记忆神经网络研究(Python代码实现)
【ARIMA-LSTM】合差分自回归移动平均方法-长短期记忆神经网络研究(Python代码实现)原创 2023-06-16 19:31:29 · 1698 阅读 · 0 评论 -
【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)
【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)原创 2023-06-16 09:30:58 · 1479 阅读 · 0 评论 -
【ARIMA-WOA-LSTM】合差分自回归移动平均方法-鲸鱼优化-长短期记忆神经网络研究(Python代码实现)
[1]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156.[2]岑威钧,王肖鑫,蒋明欢.基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究[J].水资源与水工程学报,2023,34(02):180-185.[3]王鑫,李安桂,李扬,卜令晨,彭怀午,牛东圣,许晨琛,韩欧.基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测[J].西安建筑科技大学学报(自然科学版),2022,54(05):762-769.DOI:1原创 2023-06-15 21:25:48 · 1145 阅读 · 0 评论 -
基于VMD-LSTM-IOWA-RBF的碳排放混合预测研究(Matlab代码实现)
因此科学合理进行碳排放预测,制定碳达峰的时间表、路线图迫在眉睫。混合预测模型即在一个模型中耦合自上而下宏观分析与自下而上的部门分析,其可以对整个能源系统(从能源开采到终端消费)进行模拟和预测,同时对经济系统的发展演化进行模拟分析,并实现能源系统与经济系统之间的反馈联系。[1]沙爱敏,陈婷,吕凡任,王晓东.基于组合预测模型的交通碳排放量预测研究[J].节能,2023,42(01):72-75.碳排放预测作为碳达峰碳中和工作的理论依据和研究基础,其预测准确度直接影响地区“双碳”目标与政策的制定。原创 2023-06-07 13:51:46 · 227 阅读 · 0 评论 -
基于VMD-LSTM-IOWA-RBF的碳排放混合预测研究(Matlab代码实现)
因此科学合理进行碳排放预测,制定碳达峰的时间表、路线图迫在眉睫。混合预测模型即在一个模型中耦合自上而下宏观分析与自下而上的部门分析,其可以对整个能源系统(从能源开采到终端消费)进行模拟和预测,同时对经济系统的发展演化进行模拟分析,并实现能源系统与经济系统之间的反馈联系。[1]沙爱敏,陈婷,吕凡任,王晓东.基于组合预测模型的交通碳排放量预测研究[J].节能,2023,42(01):72-75.碳排放预测作为碳达峰碳中和工作的理论依据和研究基础,其预测准确度直接影响地区“双碳”目标与政策的制定。原创 2023-06-06 10:37:02 · 19 阅读 · 0 评论 -
基于ARIMA-LSTM组合模型的预测方法研究(Python代码实现)
[1]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156.[2]李孟特,于晟华,王森,曹戈,戴雨聪.一种基于ARIMA-LSTM组合模型的电压偏差预测方法[J].电力大数据,2022,25(05):28-35.DOI:10.19317/j.cnki.1008-083x.2022.05.009.原创 2023-06-02 20:25:49 · 1411 阅读 · 0 评论 -
【ARIMA-WOA-LSTM】差分自回归移动平均方法-鲸鱼优化算法-LSTM预测研究(python代码实现)
1]岑威钧,王肖鑫,蒋明欢.基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究[J].水资源与水工程学报,2023,34(02):180-185.[2]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156.(3)采用确定好阶数的ARIMA(p , d ,q)拟合时间序列,并根据预测后的数据和原时间序列进行结果统计和预测精度分析。# ===========主程序================dim = 5 # 鲸鱼的维度。原创 2023-06-01 12:05:09 · 737 阅读 · 0 评论 -
【WOA-LSTM】基于WOA优化 LSTM神经网络预测研究(Python代码实现)
[1]苏鹏飞,徐松毅,于晓磊.基于WOA-LSTM的窄带通信网网络时延预测算法[J].河北工业科技,2022,39(01):9-15.[2]刘立邦,杨颂,王志坚,贺欣欣,赵文磊,刘守军,杜文广,米杰.基于改进WOA-LSTM的焦炭质量预测[J].化工学报,2022,73(03):1291-1299.[3]万俊杰,单鸿涛.基于WOA优化LSTM神经网络的配电网可靠性评估[J].智能计算机与应用,2021,11(10):107-112+117.原创 2023-05-30 13:28:06 · 301 阅读 · 0 评论 -
【SSA-LSTM】基于SSA-LSTM预测研究(Python代码实现)
麻雀种群分发现者和加入者,负责搜索食物并为其他群体提供食物位置的为发现者,通过跟踪发现者来觅食的 为 加 入 者。在种群中选取一定比例的麻雀,令其具有感知危险的行为并记为警戒者,警 戒者发现危险则种群放弃食物。LSTM 是一 种 带 有 记 忆 与 遗 忘 模 式 的 特 殊 递归神经网络,解决了传统递归神经网络在反向误差传播算法训练中出现的梯度消失与爆炸问题[5]。[1]李森文,张伟,李纯宇,郝思鹏.基于SSA-LSTM的海上风电功率预测[J].机械与电子,2022,40(06):22-25+30.原创 2023-05-28 20:37:33 · 328 阅读 · 0 评论 -
基于ARIMA-CNN-LSTM预测模型研究(Python代码实现)
[1]陈帅宇,赵龑骧,蒋磊.基于ARIMA-CNN-LSTM模型的黄河开封段水位预测研究[J].水利水电快报,2023,44(01):15-22.DOI:10.15974/j.cnki.slsdkb.2023.01.002.原创 2023-05-19 16:39:55 · 970 阅读 · 0 评论 -
基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)
然而,基于 BO 的超参数寻优的缺点可以归结为两类:训练时间和 BO 参数的调整。由于 BO 是一种顺序方法,为减少计算时间,对其进行并行化很困难[27]。积核参数共享以及层间连接的稀疏性使得 CNN 能够以较小的计算量从高维数据中提取深层次局部特征,并通过卷积层和池化层获得有效的表示[34]。CNN 网络的结构包含 2 个卷积层和 1 个展平操作,每个卷积层包含 1 个卷积操作和 1 个池化操作。而 GRU 则是在 LSTM 的基础上提出,其结 构更简单,参数更少,训练时间短,训练速度也比更快[37]。原创 2023-04-26 15:10:19 · 1671 阅读 · 0 评论 -
【SSA-LSTM】基于麻雀算法优化LSTM 模型预测研究(Matlab代码实现)
本研 究 利 用 麻 雀搜索算法 ( SSA) 以 提 高LSTM 模型准确度为优化目标,以 LSTM 模型中超参数为优化对象,对 LSTM 进行优化,搭建 SSA-LSTM 神经网络模型;将 SSA-LSTM 模型参数的预测。原创 2023-04-16 19:31:13 · 1432 阅读 · 2 评论 -
使用BP神经网络和Elman Net预测航班价格(Matlab代码实现)
BP神经网络模型是目前应用最为广泛神经网络之一。它的本质是通过对历史数据的学习找出数据变化趋势之间的非线性关系,并通过输出量与预期值之间的误差不断调整网络中各个单元的权重,使整个网络的误差最小。因此,为达到较好的预测精度,需要对网络预测模型自身的结构进行确定。[1]苏高利,邓芳萍.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报,2003(02):130-135.DOI:10.13774/j.cnki.kjtb.2003.02.012.4 Matlab代码实现。原创 2023-02-19 20:35:27 · 829 阅读 · 0 评论 -
基于麻雀算法优化的深度极限学习机DLM的预测算法(Matlab代码实现)
与传统深度学习算法相同,DELM也是用逐层贪婪的训练方法来训练网络,DELM每个隐藏层的输入权重都使用ELM-AE初始化执行分层无监督训练,但是与传统深度学习算法不同的是DELM不需要反向微调过程。=X),进而求取输出权值βr﹔然后将DELM第1个隐藏层的输出矩阵H当作下1个ELM ― AE的输入与目标输出(=X),依次类推逐层训练,最后1层用ELM来训练,使用式(2)来求解DELM的最后1个隐藏层的输出权重。%输入-----------------------%% 带初始权重的DELM训练函数。原创 2023-01-17 20:19:18 · 140 阅读 · 1 评论