回歸預(yù)測 | MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測

效果一覽

基本介紹

MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測
GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)回歸預(yù)測（Matlab完整程序和數(shù)據(jù)）
輸入6個特征，輸出1個，即多輸入單輸出；
運(yùn)行環(huán)境Matlab2018及以上,運(yùn)行主程序main即可，其余為函數(shù)文件無需運(yùn)行,所有程序放在一個文件夾,data為數(shù)據(jù)集；
命令窗口輸出RMSEP、MAE、R2、MAPE。

程序設(shè)計

• 完整程序和數(shù)據(jù)下載方式1(資源處直接下載)：MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測
• 完整程序和數(shù)據(jù)下載方式2(訂閱《LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)》專欄，同時可閱讀《LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)》專欄收錄的所有內(nèi)容，數(shù)據(jù)訂閱后私信我獲取)：MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測
• 完整程序和數(shù)據(jù)下載方式3(訂閱《智能學(xué)習(xí)》專欄，同時獲取《智能學(xué)習(xí)》專欄收錄程序6份，數(shù)據(jù)訂閱后私信我獲取)：MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測

%%  記錄最佳參數(shù)
Best_pos(1, 2) = round(Best_pos(1, 2));
best_lr = Best_pos(1, 1);
best_hd = Best_pos(1, 2);
best_l2 = Best_pos(1, 3);

%%  建立模型
% ----------------------  修改模型結(jié)構(gòu)時需對應(yīng)修改fical.m中的模型結(jié)構(gòu)  --------------------------
layers = [
    sequenceInputLayer(f_)            % 輸入層
    
    lstmLayer(best_hd)                % LSTM層
    reluLayer                         % Relu激活層
    
    fullyConnectedLayer(outdim)       % 輸出回歸層
    regressionLayer];
 
%%  參數(shù)設(shè)置
% ----------------------  修改模型參數(shù)時需對應(yīng)修改fical.m中的模型參數(shù)  --------------------------
options = trainingOptions('adam', ...           % Adam 梯度下降算法
         'MaxEpochs', 500, ...                  % 最大訓(xùn)練次數(shù) 500
         'InitialLearnRate', best_lr, ...       % 初始學(xué)習(xí)率 best_lr
         'LearnRateSchedule', 'piecewise', ...  % 學(xué)習(xí)率下降
         'LearnRateDropFactor', 0.5, ...        % 學(xué)習(xí)率下降因子 0.1
         'LearnRateDropPeriod', 400, ...        % 經(jīng)過 400 次訓(xùn)練后 學(xué)習(xí)率為 best_lr * 0.5
         'Shuffle', 'every-epoch', ...          % 每次訓(xùn)練打亂數(shù)據(jù)集
         'ValidationPatience', Inf, ...         % 關(guān)閉驗證
         'L2Regularization', best_l2, ...       % 正則化參數(shù)
         'Plots', 'training-progress', ...      % 畫出曲線
         'Verbose', false);

%%  訓(xùn)練模型
net = trainNetwork(p_train, t_train, layers, options);

%%  仿真驗證
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );

%%  數(shù)據(jù)反歸一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
T_sim1=double(T_sim1);
T_sim2=double(T_sim2);
%%  均方根誤差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
%% 參數(shù)初始化
popsize=pop;              %種群規(guī)模
lenchrom=dim;              %變量字串長度
fun = fobj;  %適應(yīng)度函數(shù)
pc=0.7;                  %設(shè)置交叉概率
pm=0.3;                  %設(shè)置變異概率
if(max(size(ub)) == 1)
   ub = ub.*ones(dim,1);
   lb = lb.*ones(dim,1);  
end
maxgen=Max_iter;   % 進(jìn)化次數(shù)  

%種群

%% 產(chǎn)生初始粒子和速度

    %隨機(jī)產(chǎn)生一個種群
    GApop=initialization(pop, dim, ub, lb);       %隨機(jī)產(chǎn)生個體
for i=1:popsize
    %計算適應(yīng)度
    fitness(i)=fun(GApop(i,:));            %染色體的適應(yīng)度
end

%找最好的染色體
[bestfitness bestindex]=min(fitness);
zbest=GApop(bestindex,:);   %全局最佳
gbest=GApop;                %個體最佳
fitnessgbest=fitness;       %個體最佳適應(yīng)度值
fitnesszbest=bestfitness;   %全局最佳適應(yīng)度值

%% 迭代尋優(yōu)
for i=1:maxgen
        disp(['第',num2str(i),'次迭代'])
        %種群更新 GA選擇更新
        GApop=Select2(GApop,fitness,popsize);

        % 交叉操作 GA
        GApop=Cross(pc,lenchrom,GApop,popsize,lb,ub);

        % 變異操作 GA變異
        GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],lb,ub);

        pop=GApop;
        
      for j=1:popsize
        %適應(yīng)度值
        fitness(j)=fun(pop(j,:));
        %個體最優(yōu)更新
        if fitness(j) < fitnessgbest(j)
            gbest(j,:) = pop(j,:);
            fitnessgbest(j) = fitness(j);
        end
        
        %群體最優(yōu)更新
        if fitness(j) < fitnesszbest
            zbest = pop(j,:);
            fitnesszbest = fitness(j);
        end
        
    end
    
    curve(i)=fitnesszbest;     
end
%%  邊界數(shù)目
Boundary_no= size(ub, 2);

%%  變量數(shù)目等于1
if Boundary_no == 1
    Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;
end

%% 如果每個變量有不同的上下界
if Boundary_no > 1
    for i = 1 : dim
        ub_i = ub(i);
        lb_i = lb(i);
        Positions(:, i) = rand(SearchAgents_no, 1) .* (ub_i - lb_i) + lb_i;
    end
end

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718文章來源地址http://www.zghlxwxcb.cn/news/detail-407887.html

到了這里，關(guān)于回歸預(yù)測 | MATLAB實現(xiàn)GA-LSTM遺傳算法優(yōu)化長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)多輸入單輸出回歸預(yù)測的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！