MATLAB|【免费】融合正余弦和柯西变异的麻雀优化算法SCSSA-CNN-BiLSTM双向长短期记忆网络预测模型

主要内容  

该程序实现多输入单输出预测，通过融合正余弦和柯西变异改进麻雀搜索算法，对CNN-BiLSTM的学习率、正则化参数以及BiLSTM隐含层神经元个数等进行优化，并对比了该改进算法和粒子群、灰狼算法在优化方面的优势。该程序数据选用的是一段风速数据，数据较为简单，方便同学进行替换学习。程序对比了优化前和优化后的效果，注释清晰，方便学习，建议采用高版本matlab运行。

 部分代码  

%% 导入数据

data =  xlsread('data.xls','B:B');

[h1,l1]=data_process(data,8);   %步长为8，采用前8天的价格与预测第9天

data = [h1,l1];

[m,n]=size(data);

input = data(:,1:n);

output = data(:,n);

numTimeStepsTrain = floor(0.7*numel(data(:,1)));  %取70%的数据作为训练集

XTrain = input(1:numTimeStepsTrain,:);

YTrain = output(1:numTimeStepsTrain,:);

XTest = input(numTimeStepsTrain+1:end,:);

YTest = output(numTimeStepsTrain+1:end,:);

x = XTrain;

y = YTrain;

[xnorm,xopt] = mapminmax(x',0,1);

[ynorm,yopt] = mapminmax(y',0,1);

% 转换成2-D image

for i = 1:length(ynorm)

   Train_xNorm{i} = reshape(xnorm(:,i),n,1,1);

   Train_yNorm(:,i) = ynorm(:,i);

   Train_y(i,:) = y(i,:);

end

Train_yNorm= Train_yNorm';

xtest = XTest;

ytest = YTest;

[xtestnorm] = mapminmax('apply', xtest',xopt);

[ytestnorm] = mapminmax('apply',ytest',yopt);

xtest = xtest';

for i = 1:length(ytestnorm)

 Test_xNorm{i} = reshape(xtestnorm(:,i),n,1,1);

 Test_yNorm(:,i) = ytestnorm(:,i);

 Test_y(i,:) = ytest(i,:);

end

Test_yNorm = Test_yNorm';

%% 优化算法优化前，构建优化前的CNN-BILSTM模型

inputSize = n;

outputSize = 1;  %数据输出y的维度  

layers0 = [ ...

   

   sequenceInputLayer([inputSize,1,1],'name','input')   %输入层设置

   sequenceFoldingLayer('name','fold')         %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。

   

   convolution2dLayer([2,1],10,'Stride',[1,1],'name','conv1')  %添加卷积层，2，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长

   batchNormalizationLayer('name','batchnorm1')  % BN层，用于加速训练过程，防止梯度消失或梯度爆炸

   reluLayer('name','relu1')       % ReLU激活层，用于保持输出的非线性性及修正梯度的问题

   

   convolution2dLayer([1,1],10,'Stride',[1,1],'name','conv2')       %添加卷积层，2，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长

   batchNormalizationLayer('name','batchnorm2')        % BN层，用于加速训练过程，防止梯度消失或梯度爆炸

   reluLayer('name','relu2')           % ReLU激活层，用于保持输出的非线性性及修正梯度的问题

 部分结果一览