時序預測 | MATLAB實現WOA-CNN-BiLSTM鯨魚算法優化卷積雙向長短期記憶神經網絡時間序列預測

預測效果

基本介紹

時序預測 | MATLAB實現WOA-CNN-BiLSTM鯨魚算法優化卷積雙向長短期記憶神經網絡時間序列預測，運行環境Matlab2020b及以上。優化正則化率、學習率、隱藏層單元數。
1.MATLAB實現WOA-CNN-BiLSTM鯨魚算法優化卷積雙向長短期記憶神經網絡時間序列預測；
2.單變量時間序列預測；
3.多指標評價，評價指標包括：R2、MAE、MSE、RMSE等，代碼質量極高；
4.鯨魚算法優化參數為：學習率，隱含層節點，正則化參數；
5.excel數據，方便替換，運行環境2020及以上。

程序設計

• 完整源碼和數據獲取方式1：私信博主回復WOA-CNN-BiLSTM鯨魚算法優化卷積雙向長短期記憶神經網絡時間序列預測，同等價值程序兌換；
• 完整程序和數據下載方式2(訂閱《組合優化》專欄，同時獲取《組合優化》專欄收錄的任意8份程序，數據訂閱后私信我獲取)：WOA-CNN-BiLSTM鯨魚算法優化卷積雙向長短期記憶神經網絡時間序列預測，專欄外只能獲取該程序。

%%  獲取最優種群for j = 1 : SearchAgentsif(fitness_new(j) < GBestF)GBestF = fitness_new(j);GBestX = X_new(j, :);endend%%  更新種群和適應度值pop_new = X_new;fitness = fitness_new;%%  更新種群 [fitness, index] = sort(fitness);for j = 1 : SearchAgentspop_new(j, :) = pop_new(index(j), :);end%%  得到優化曲線curve(i) = GBestF;avcurve(i) = sum(curve) / length(curve);
end%%  得到最優值
Best_pos = GBestX;
Best_score = curve(end);%%  得到最優參數
NumOfUnits       =abs(round( Best_pos(1,3)));       % 最佳神經元個數
InitialLearnRate =  Best_pos(1,2) ;% 最佳初始學習率
L2Regularization = Best_pos(1,1); % 最佳L2正則化系數
% 
inputSize = k;
outputSize = 1;  %數據輸出y的維度  
%  參數設置
opts = trainingOptions('adam', ...                    % 優化算法Adam'MaxEpochs', 20, ...                              % 最大訓練次數'GradientThreshold', 1, ...                       % 梯度閾值'InitialLearnRate', InitialLearnRate, ...         % 初始學習率'LearnRateSchedule', 'piecewise', ...             % 學習率調整'LearnRateDropPeriod', 6, ...                     % 訓練次后開始調整學習率'LearnRateDropFactor',0.2, ...                    % 學習率調整因子'L2Regularization', L2Regularization, ...         % 正則化參數'ExecutionEnvironment', 'gpu',...                 % 訓練環境'Verbose', 0, ...                                 % 關閉優化過程'SequenceLength',1,...'MiniBatchSize',10,...'Plots', 'training-progress');                    % 畫出曲線

學習總結

鯨魚算法（Whale Optimization Algorithm，WOA）是一種基于自然界中鯨魚群體行為的優化算法，可以用于解決優化問題。而卷積雙向長短期記憶神經網絡（CNN-BiLSTM）是一種結合了卷積神經網絡（CNN）和雙向長短期記憶神經網絡（BiLSTM）的網絡結構，能夠處理序列數據和空間數據,多輸入單輸出回歸預測是指輸入多個特征，輸出一個數值的回歸問題。
下面是使用鯨魚算法優化卷積雙向長短期記憶神經網絡多輸入單輸出回歸預測的步驟：
首先，需要確定網絡的結構，包括卷積層、BiLSTM層、全連接層等。
然后，需要定義適應度函數，即網絡在訓練集上的預測誤差。這里可以選擇均方誤根差（RMSE）作為適應度函數。
接下來，可以使用鯨魚算法進行參數優化。具體來說，可以將CNN-BiLSTM網絡的參數作為優化變量，將適應度函數作為目標函數，使用鯨魚算法進行迭代優化，直到目標函數收斂或達到預設的迭代次數。
在優化過程中，需要設置好鯨魚算法的參數，包括優化正則化率、學習率、隱藏層單元數等。
最后，可以使用優化后的CNN-BiLSTM網絡進行多輸入單輸出回歸預測。
需要注意的是，鯨魚算法雖然可以用于優化神經網絡，但并不是萬能的，也存在局限性。在使用鯨魚算法進行優化時，需要根據具體問題進行調參和優化，以獲得更好的優化效果。

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501