时序预测 | MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测
预测效果
基本介绍
MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测
基于鲸鱼算法优化长短期记忆网络(WOA-LSTM)的时间序列预测。
优化参数为学习率，隐藏层节点个数，正则化参数，要求2018b及以上版本，matlab代码。
评价指标包括:MAE、MSE、RMSE等，代码质量极高，方便学习和替换数据。文章来源：https://www.toymoban.com/news/detail-428822.html
程序设计
- 完整程序和数据下载方式1(资源处直接下载)：MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测
- 完整程序和数据下载方式2(订阅《LSTM长短期记忆神经网络》专栏，同时可阅读《LSTM长短期记忆神经网络》专栏收录的所有内容，数据订阅后私信我获取)：MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测
- 完整程序和数据下载方式3(订阅《智能学习》专栏，同时获取《智能学习》专栏收录程序6份，数据订阅后私信我获取)：MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测
% 预设鲸鱼优化算法的参数
popsize = 5; %种群数量
maxgen = 20; % WOA最大的迭代次数
dim = 3; % 优化的自变量个数 ，依次为LSTM的第一和第二隐含层节点数，最大训练代数，初始学习率
%输入输出数据
L = size(output, 1); %样本总数
% testNumber = round(L*0.2); %设置四个样本测试
testNumber =20; %设置四个样本测试
trainNumber = L - testNumber; %训练样本数量
% 划分训练集和测试集
p_train = input(1:trainNumber, :)';
t_train = output(1:trainNumber, :)';
% 测试集
p_test = input(trainNumber+1:trainNumber+testNumber,:)';
t_test = output(trainNumber+1:trainNumber+testNumber,:)';
%% 归一化和元胞数组处理
[pn_train ,ps]= mapminmax(p_train);
[tn_train, ts] = mapminmax(t_train);
%测试集的归一化
pn_test = mapminmax('apply', p_test, ps);
tn_test = mapminmax('apply', t_test, ts);
for i = 1:length(t_train)
P_train{i,1} = pn_train(:,i);
end
for i = 1:length(t_test)
P_test{i,1} = pn_test(:,i);
end
%% 归一化和元胞数组处理p 4; % 优化的自变量个数 ，依次为LSTM的第一和第二隐含层节点数，最大训练代数，初始学习率
lb = [1, 1, 0.001]; % 下限
ub = [10,20, 0.01]; % 上限
% initialize position vector and score for the leader，初始化位置向量和领导者得分
Leader_pos=zeros(1,dim);
Leader_score=inf; %change this to -inf for maximization problems，将此更改为-inf以获得最大化问题，Inf无穷大
%Initialize the positions of search agents
Positions=initialization(popsize,dim,ub,lb);%Positions，存放数个个体的多维位置。
Convergence_curve=zeros(1,maxgen);%Convergence_curve收敛曲线
t=1;% Loop counter
% Main loop
while t<maxgen+1 % 首先 迭代次数的while循环 为2 也就是鲸鱼群体会进化2代
disp(['current iteration is: ', num2str(t)])
for i=1:size(Positions,1)%对每个个体一个一个检查是否越界 % 种群规模是2 所以嵌套了2次训练
% Return back the search agents that go beyond the boundaries of
% the search space，返回超出搜索空间边界的搜索代理
Flag4ub=Positions(i,:)>ub;
Flag4lb=Positions(i,:)<lb;
Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;%超过最大值的设置成最大值，超过最小值的设置成最小值
% 评估个体适应度，会调用func.m子函数，把个体位置坐标赋给LSTM参数中，执行的训练
% Calculate objective function for each search agent，目标函数值的计算
[fitness,net]=func(Positions(i,:),p_train,P_train,P_test, tn_train,ts,t_train,t_test);
if fitness<Leader_score % Change this to > for maximization problem
Leader_score=fitness; % Update alpha
Leader_pos=Positions(i,:);
net1 = net;
end
end
a=2-t*((2)/maxgen); % a decreases linearly fron 2 to 0 in Eq. (2.3)
% a2 linearly dicreases from -1 to -2 to calculate t in Eq. (3.12)，有疑问？
a2=-1+t*((-1)/maxgen);
% Update the Position of search agents，参数更新
for i=1:size(Positions,1)
r1=rand(); % r1 is a random number in [0,1]
r2=rand(); % r2 is a random number in [0,1]
A=2*a*r1-a; % Eq. (2.3) in the paper
C=2*r2; % Eq. (2.4) in the paper
b=1; % parameters in Eq. (2.5)
l=(a2-1)*rand+1; % parameters in Eq. (2.5)
p = rand(); % p in Eq. (2.6)
for j=1:size(Positions,2)%对每一个个体地多维度进行循环运算
if p<0.5%收缩包围机制
if abs(A)>=1
rand_leader_index = floor(popsize*rand()+1);%floor将 X 的每个元素四舍五入到小于或等于该元素的最接近整数
X_rand = Positions(rand_leader_index, :);
D_X_rand=abs(C*X_rand(j)-Positions(i,j)); % Eq. (2.7)
Positions(i,j)=X_rand(j)-A*D_X_rand; % Eq. (2.8)
elseif abs(A)<1
D_Leader=abs(C*Leader_pos(j)-Positions(i,j)); % Eq. (2.1)
Positions(i,j)=Leader_pos(j)-A*D_Leader; % Eq. (2.2)
end
elseif p>=0.5%螺旋更新位置
distance2Leader=abs(Leader_pos(j)-Positions(i,j));
% Eq. (2.5)
Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Leader_pos(j);
end
end
end
Convergence_curve(t)=Leader_score;
t=t+1;
disp(t)
end
figure;
plot(Convergence_curve,'b-','LineWidth',1.0)
grid on
xlabel('进化代数')
ylabel('最佳适应度')
title('WOA优化过程曲线')
disp('WOA优化LSTM的结果:')
disp(strcat('最优参数: ', num2str([round(Leader_pos(1:2)),Leader_pos(3)])))
disp(strcat('最佳适应度: ', num2str(Leader_score)))
%% 将WOA优化后的参数赋给LSTM神经网络 while循环结束之后 优化完的最佳参数付给LSTM 再次训练
% 参数设置
numFeatures = size(p_train, 1); %输入层节点
numHiddenUnits1 = round(Leader_pos(1)); % 第一隐含层节点
numResponses = 1; %全连接层节点（等于标签的数量）
参考资料
[1] https://blog.csdn.net/article/details/126072792?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/article/details/126044265?spm=1001.2014.3001.5502
[3] https://blog.csdn.net/article/details/126043107?spm=1001.2014.3001.5502文章来源地址https://www.toymoban.com/news/detail-428822.html
到了这里，关于时序预测 | MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
