時序預測 | MATLAB實作IWOA-BiLSTM和BiLSTM時間序列預測(改進的鲸魚算法優化雙向長短期記憶神經網絡)

目錄

• • 時序預測 | MATLAB實作IWOA-BiLSTM和BiLSTM時間序列預測(改進的鲸魚算法優化雙向長短期記憶神經網絡)
  • • 預測效果
    • 基本介紹
    • 程式設計
    • 參考資料

預測效果

基本介紹

MATLAB實作IWOA-BiLSTM和BiLSTM時間序列預測(改進的鲸魚算法優化雙向長短期記憶神經網絡)

算法的基本步驟如下：

步驟1：實驗資料分為訓練集和測試集．

步驟2：把BiLSTM模型中學習率、訓練次數、正則化率、神經網絡隐藏層單元數目作為優化對象，初始化IWOA算法．

步驟3：計算每個個體的适應度值．以各鲸魚對應參數建構BiLSTM神經網絡模型，通過訓練資料進行訓練，測試資料進行預測，将預測結果的平均絕對百分比誤差作為各鲸魚的适應度值．

步驟4：根據鲸魚的适應度值确定全局最優位置和局部最優位置．

步驟5：根據WOA算法式更新A和C．

步驟6：根據WOA算法的對鲸魚的位置進行更新；

步驟7：判斷終止條件．若滿足終止條件，則輸出最優解；否則，傳回步驟3．

步驟8：用最優參數建構BiLSTM神經網絡模型并進行預測．

程式設計

• 完整程式私信部落客。

%% 搭建BiLSTM模型
inputSize = 1;
numHiddenUnits = 100;
layers = [ ...
    sequenceInputLayer(inputSize)
    bilstmLayer(numHiddenUnits,'OutputMode','last')
    bilstmLayer(numHiddenUnits-30)
    bilstmLayer(numHiddenUnits-60)
    fullyConnectedLayer(1)
    regressionLayer]

options = trainingOptions('adam',... 
    'InitialLearnRate',1e-3,...% 學習率
    'MiniBatchSize', 8, ...
    'MaxEpochs',50, ...
    'Plots','training-progress');

[net1,info1] = trainNetwork(TF,output_train',layers,options);
           

參考資料

[1] Mirjalili S，Lewis A． The whale optimization algorithm［J］． Advancesin Engineering Software，2016，95( 5) : 51-67．

[2] https://blog.csdn.net/article/details/126086399?spm=1001.2014.3001.5501