????????歡迎來到本博客????????

??博主優(yōu)勢：??????博客內(nèi)容盡量做到思維縝密，邏輯清晰，為了方便讀者。

??座右銘：行百里者，半于九十。

??????本文目錄如下：??????

目錄

??1 概述

1.1 變分模態(tài)分解算法

1.2?LSTM

??2 運行結(jié)果?編輯

??3?參考文獻

??4 Python代碼實現(xiàn)

---

??1 概述

參考文獻：

1.1 變分模態(tài)分解算法

變分 模 態(tài) 分 解 ( variational mode decomposition，VMD) 算法是由 Dragomiretskiy 等提出的一種自動自適應(yīng)、非遞歸的信號處理方法。此算法克服了 EMD 及其改進算法端點效應(yīng)和模態(tài)分量

混疊的問題，可以將非穩(wěn)定性、非線性且復(fù)雜度高的信號分解為多個相對平穩(wěn)的子序列，在求解過

程中可自適應(yīng)匹配最佳中心特征，極大程度地迎合高頻率復(fù)雜信號的分解。

1.2?LSTM

長短時記憶( long-short term memory，LSTM) 神經(jīng)網(wǎng)絡(luò)是 Hochreiter 等提出的一種改進后的循環(huán)式神經(jīng)網(wǎng)絡(luò)，可有效解決循環(huán)式神經(jīng)網(wǎng)絡(luò)存在的梯度爆炸和階段性梯度消失的問題。在傳統(tǒng)

循環(huán)式神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，在隱含層增設(shè)記憶模塊，可使信息較長時間地儲存和遺傳，其結(jié)構(gòu)如圖 1

所示。

??2 運行結(jié)果

?

部分代碼：

def?GRU_predict(data=None,?epochs=100,?predict_duration=len(test),?fitting=None):?
????trainX,trainY,scalarY?=?create_train_test_set(data,?co_imf_predict_for_fitting=fitting)?
????x_train,x_test?=?trainX[:-predict_duration],trainX[-predict_duration:]?
????y_train,y_test?=?trainY[:-predict_duration],trainY[-predict_duration:]
????train_X?=?x_train.reshape((x_train.shape[0],?x_train.shape[1],?x_train.shape[2]))?
????test_X?=?x_test.reshape((x_test.shape[0],?x_test.shape[1],?x_test.shape[2]))?

????model?=?GRU_model(train_X.shape)?
????patience?=?epochs//10?
????EarlyStop?=?EarlyStopping(monitor='val_loss',?patience=5*patience,?verbose=0,?mode='auto')?
????Reduce?=?ReduceLROnPlateau(monitor='val_loss',?patience=patience,?verbose=0,?mode='auto')
????
????history?=?model.fit(train_X,?y_train,?epochs=epochs,?batch_size=32,?validation_split=0.1,?verbose=0,?shuffle=True,?callbacks=[EarlyStop,Reduce])?
????
????y_test_predict?=?model.predict(test_X)?
????df_gru_evaluation?=?evaluation_model(y_test,?y_test_predict)?
????y_test_predict?=?y_test_predict.ravel().reshape(-1,1)?
????
????y_test_predict_result?=?scalarY.inverse_transform(y_test_predict)?
????y_test_raw?=?scalarY.inverse_transform(y_test)????
????df_predict_raw?=?pd.DataFrame({'raw':?y_test_raw.ravel(),?'predict':?y_test_predict_result.ravel()},?index=range(len(y_test_raw)))?#?Output
????df_train_loss=?pd.DataFrame({'loss':?history.history['loss'],?'val_loss':?history.history['val_loss']},?index=range(len(history.history['val_loss'])))
????
????return?df_predict_raw,?df_gru_evaluation,?df_train_loss

??3?參考文獻

部分理論來源于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系刪除。

[1]邴其春,張偉健,沈富鑫,胡嫣然,高鵬,劉東杰.基于變分模態(tài)分解和LSTM的短時交通流預(yù)測[J].重慶理工大學(xué)學(xué)報(自然科學(xué)),2023,37(05):169-177.文章來源地址http://www.zghlxwxcb.cn/news/detail-488590.html

??4 Python代碼實現(xiàn)

到了這里，關(guān)于【VMD-LSTM】變分模態(tài)分解-長短時記憶神經(jīng)網(wǎng)絡(luò)研究（Python代碼實現(xiàn)）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)！