基于堆叠⾃编码器的时间序列预测深层神经网络-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于堆叠⾃编码器的时间序列预测深层神经网络。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。

自适应迭代扩展卡尔曼滤波算法（AIEK）是一种滤波算法，其目的是通过迭代过程来逐渐适应不同的状态和环境，从而优化滤波效果。

该算法的基本思路是在每一步迭代过程中，根据所观测的数据和状态方程，对滤波器的参数进行自适应调整，以便更好地拟合实际数据的分布。具体而言，该算法包括以下步骤：

初始化：首先，为滤波器的初始参数设定一个初始值，这些参数包括状态转移矩阵、测量矩阵、过程噪声协方差和测量噪声协方差等。
预测：根据当前的状态方程和滤波器参数，对下一个状态进行预测，并计算预测误差。
校正：根据预测结果和实际观测数据，对预测进行修正，以便更好地拟合实际数据的分布。
参数更新：根据校正结果，自适应地调整滤波器参数，以便在下一个迭代过程中更好地拟合数据。
该算法具有自适应性和迭代性，能够逐渐适应不同的状态和环境，从而优化滤波效果。在实际应用中，可以根据具体问题选择不同的滤波器参数调整方法和迭代策略，以获得更好的滤波效果。

清空环境变量

warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

导入数据(20步滑动窗口已处理过)

x_train = xlsread('P_x_train.xlsx','B2:U5043');
y_train = xlsread('P_y_train.xlsx','B1:B5042');
x_test = xlsread('P_x_test.xlsx','B2:U1720');
y_test = xlsread('P_y_test.xlsx','B1:B1719');

数据归一化

[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

转置以适应模型

p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

建立深层神经网络

hidden   = [f_, 50, 50];                     % 自动编码器的隐藏层节点个数[50, 50]
sae_lr   = 0.5;                              % 自动编码器的学习率
sae_mark = 0;                                % 自动编码器的噪声覆盖率（不为零时，为堆叠去噪自动编码器）
sae_act  = 'sigm';                           % 自动编码器的激活函数

opts.numepochs = 500;                        % 自动编码器的最大训练次数
opts.batchsize = M / 2;                      % 每次训练样本个数 需满足：（M / batchsize = 整数）

%%  建立堆叠自编码器
sae = saesetup(hidden);

%%  堆叠自动编码器参数设置
for i = 1 : length(hidden) - 1
    sae.ae{i}.activation_function     = sae_act;    % 激活函数
    sae.ae{i}.learningRate            = sae_lr;     % 学习率
    sae.ae{i}.inputZeroMaskedFraction = sae_mark;   % 噪声覆盖率
end

%%  训练堆叠自动编码器
sae = saetrain(sae, p_train, opts);

%%  建立深层神经网络
nn = nnsetup([hidden, outdim]);

相关指标计算

%  R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

%  MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

%  MBE
mbe1 = sum(T_sim1' - T_train) ./ M ;
mbe2 = sum(T_sim2' - T_test ) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])