多輸入多輸出 | Matlab實現WOA-CNN鯨魚算法優化卷積神經網絡多輸入多輸出預測

預測效果

基本介紹

Matlab實現WOA-CNN鯨魚算法優化卷積神經網絡多輸入多輸出預測（完整源碼和數據）
1.data為數據集，輸入10個特征，輸出3個變量。
2.main.m為程序主文件，其他為函數文件無需運行。
3.命令窗口輸出MBE、MAE、RMSE、R^2和MAPE，可在下載區獲取數據和程序內容。
4.優化參數為學習率、批處理樣本大小和、正則化參數。
注意程序和數據放在一個文件夾，運行環境為Matlab2018及以上。

模型背景

卷積神經網絡是1989 年由紐約大學Lecun 提出的一種專門用來處理具有類似網格結構的數據的神經網絡，例如時間序列數據和圖像數據等。卷積神經網絡可以看作是傳統神經網絡的改進，都采用了層級網絡結構。其本質是一種從輸入到輸出的映射，能夠學習大量的映射關系。CNN 網絡主要由輸入層、卷積層、池化層和輸出層構成，其中輸入層主要是對原始數據進行預處理，包括去均值、歸一化。卷積計算層有兩個重要的操作: 局部關聯和窗口滑動。池化層位于兩個卷積層中間，用于壓縮數據，減小過擬合。全連接層在CNN 網絡的尾部，將池化層的輸出數據進行拼接。CNN 網絡最主要的優勢在于權值共享的特殊結構，降低了網絡的復雜性，對高維數據的處理無壓力。同時CNN 也避免了傳統神經網絡反向傳播梯度損失過快的缺點。

程序設計

• 完整源碼和數據獲取方式：私信博主回復Matlab實現WOA-CNN鯨魚算法優化卷積神經網絡多輸入多輸出預測。

%%  數據平鋪
%   將數據平鋪成1維數據只是一種處理方式
%   也可以平鋪成2維數據，以及3維數據，需要修改對應模型結構
%   但是應該始終和輸入層數據結構保持一致
p_train =  double(reshape(P_train, 10, 1, 1, M));
p_test  =  double(reshape(P_test , 10, 1, 1, N));
t_train =  double(T_train)';
t_test  =  double(T_test )';
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  構造網絡結構
layers = [imageInputLayer([10, 1, 1])     % 輸入層 輸入數據規模[10, 1, 1]convolution2dLayer([3, 1], 16)  % 卷積核大小 3*1 生成16張特征圖batchNormalizationLayer         % 批歸一化層reluLayer                       % Relu激活層convolution2dLayer([3, 1], 32)  % 卷積核大小 3*1 生成32張特征圖batchNormalizationLayer         % 批歸一化層reluLayer                       % Relu激活層dropoutLayer(0.2)               % Dropout層fullyConnectedLayer(3)          % 全連接層regressionLayer];               % 回歸層%%  參數設置
options = trainingOptions('adam', ...      % ADAM 梯度下降算法'MiniBatchSize', 30, ...               % 批大小,每次訓練樣本個數30'MaxEpochs', 100, ...                  % 最大訓練次數 100'InitialLearnRate', 1e-2, ...          % 初始學習率為0.01'LearnRateSchedule', 'piecewise', ...  % 學習率下降'LearnRateDropFactor', 0.5, ...        % 學習率下降因子'LearnRateDropPeriod', 50, ...         % 經過100次訓練后 學習率為 0.01 * 0.5'Shuffle', 'every-epoch', ...          % 每次訓練打亂數據集'Plots', 'training-progress', ...      % 畫出曲線'Verbose', false);

參考資料

[1] https://blog.csdn.net/kjm13182345320/category_11003178.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/117378431
[3] https://blog.csdn.net/kjm13182345320/article/details/118253644