【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现)

这篇具有很好参考价值的文章主要介绍了【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

💥1 概述

1.1 完备集合经验模态分解原理

1.2 鲸鱼优化

1.3 LSTM

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现


💥1 概述

1.1 完备集合经验模态分解原理

早期的 EMD 方法具有较强的自适应性,能够有效地分解时间序列;但是,算法在运算过程中

容易出现模态混叠现象。EEMD 分解方法的思想是:在原始信号中加入白噪声[16],使极值点分布更均衡;最终分量在EMD 的基础上进行集成平均而得。但是,这种方法具有计算量大且重构时残留噪音大的缺陷。CEEMDAN 是 EEMD 的改进算法。该算法通过添加有限次数的自适应白噪声,解决了集合平均次数限制下的重构误差较大的问题。

1.2 鲸鱼优化

座头鲸有特殊的捕猎方法,这种觅食行为被称为泡泡网觅食法;标准 WOA 模拟了座头鲸特有的搜索方法和围捕机制,主要包括:围捕猎物、气泡网捕食、搜索猎物三个重要阶段。WOA 中每个座头鲸的位置代表一个潜在解,通过在解空间中不断更新鲸鱼的位置,最终获得全局最优解。

【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现),python,神经网络,lstm

1.3 LSTM

长短时记忆( long-short term memory,LSTM) 神经网络是 Hochreiter 等提出的一种改进后的循环式神经网络,可有效解决循环式神经网络存在的梯度爆炸和阶段性梯度消失的问题。在传统

循环式神经网络基础上,在隐含层增设记忆模块,可使信息较长时间地储存和遗传,其结构如图 1

所示。

【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现),python,神经网络,lstm

📚2 运行结果

 【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现),python,神经网络,lstm

【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现),python,神经网络,lstm

...... 

Epoch 87/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2908e-04 - accuracy: 5.3677e-04 - val_loss: 9.1420e-06 - val_accuracy: 0.0000e+00
Epoch 88/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3659e-04 - accuracy: 5.3677e-04 - val_loss: 2.2255e-06 - val_accuracy: 0.0000e+00
Epoch 89/100
19/19 [==============================] - 0s 5ms/step - loss: 1.1987e-04 - accuracy: 5.3677e-04 - val_loss: 3.4974e-05 - val_accuracy: 0.0000e+00
Epoch 90/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2746e-04 - accuracy: 5.3677e-04 - val_loss: 9.6258e-05 - val_accuracy: 0.0000e+00
Epoch 91/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2758e-04 - accuracy: 5.3677e-04 - val_loss: 9.1996e-05 - val_accuracy: 0.0000e+00
Epoch 92/100
19/19 [==============================] - 0s 5ms/step - loss: 1.5623e-04 - accuracy: 5.3677e-04 - val_loss: 1.8761e-05 - val_accuracy: 0.0000e+00
Epoch 93/100
19/19 [==============================] - 0s 6ms/step - loss: 1.4421e-04 - accuracy: 5.3677e-04 - val_loss: 3.0035e-06 - val_accuracy: 0.0000e+00
 

Epoch 94/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4949e-04 - accuracy: 5.3677e-04 - val_loss: 2.6891e-04 - val_accuracy: 0.0000e+00
Epoch 95/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2961e-04 - accuracy: 5.3677e-04 - val_loss: 2.1525e-05 - val_accuracy: 0.0000e+00
Epoch 96/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2142e-04 - accuracy: 5.3677e-04 - val_loss: 3.6751e-05 - val_accuracy: 0.0000e+00
Epoch 97/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3616e-04 - accuracy: 5.3677e-04 - val_loss: 8.5641e-07 - val_accuracy: 0.0000e+00
Epoch 98/100
19/19 [==============================] - 0s 6ms/step - loss: 1.2854e-04 - accuracy: 5.3677e-04 - val_loss: 1.4613e-04 - val_accuracy: 0.0000e+00
Epoch 99/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4222e-04 - accuracy: 5.3677e-04 - val_loss: 1.1871e-04 - val_accuracy: 0.0000e+00
Epoch 100/100
19/19 [==============================] - 0s 6ms/step - loss: 1.7137e-04 - accuracy: 5.3677e-04 - val_loss: 2.4105e-06 - val_accuracy: 0.0000e+00
65/65 [==============================] - 0s 1ms/step
16/16 [==============================] - 0s 1ms/step

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

[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.文章来源地址https://www.toymoban.com/news/detail-609738.html

🌈4 Python代码实现

到了这里,关于【CEEMDAN-WOA-LSTM】完备集合经验模态分解-鲸鱼优化-长短时记忆神经网络研究(Python代码实现)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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包