【CEEMDAN-CNN-LSTM】完备集合经验模态分解-卷积神经长短时记忆神经网络研究(Python代码实现)

简介: 【CEEMDAN-CNN-LSTM】完备集合经验模态分解-卷积神经长短时记忆神经网络研究(Python代码实现)

💥💥💞💞欢迎来到本博客❤️❤️💥💥


🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。


⛳️座右铭:行百里者,半于九十。


📋📋📋本文目录如下:🎁🎁🎁


目录


💥1 概述


1.1 完备集合经验模态分解原理


1.2 鲸鱼优化


1.3 LSTM


📚2 运行结果


🎉3 参考文献


🌈4 Python代码实现


💥1 概述

参考文献:


d167f5f202b54cd197c25f7130254456.png


1.1 完备集合经验模态分解原理

早期的 EMD 方法具有较强的自适应性,能够有效地分解时间序列;但是,算法在运算过程中


容易出现模态混叠现象。EEMD 分解方法的思想是:在原始信号中加入白噪声[16],使极值点分布更均衡;最终分量在EMD 的基础上进行集成平均而得。但是,这种方法具有计算量大且重构时残留噪音大的缺陷。CEEMDAN 是 EEMD 的改进算法。该算法通过添加有限次数的自适应白噪声,解决了集合平均次数限制下的重构误差较大的问题。


1.2 鲸鱼优化

 在 CNN 层后连接 LSTM的深度学习模型结合了两种神经网络的优点,既有 CNN 强大的自主提取抽象信息的功能,又具有 LSTM神经网络的长期记忆功能。


 卷积神经网络(CNN)主要是由输入层、卷积层、激活函数、池化层和全连接层构成。


卷积层是 CNN 的 核 心 层,卷积层的参数是由可学习的滤波器 集 合 构 成,其 主 要 作 用 是 进 行 特 征 提 取,表 达式为:


9806e83e3461495ca6469f5486dd3c74.png


全连接层是对经过堆叠卷积、池化后的特征进行分类。全连接层是根据权重每个神经元反馈的比重不同,最后通过调整权重和网络得到分类的结果。


1.3 LSTM

长短时记忆( long-short term memory,LSTM) 神经网络是 Hochreiter 等提出的一种改进后的循环式神经网络,可有效解决循环式神经网络存在的梯度爆炸和阶段性梯度消失的问题。在传统


循环式神经网络基础上,在隐含层增设记忆模块,可使信息较长时间地储存和遗传,其结构如图 1


所示。


fdaa91c48a8c476793f80bc2cb793656.png


📚2 运行结果


8dfb2fdebbcb4d02b9ad4a781b0b16f2.png

56fbc32679df42fab8c3c3fb00693555.png

aacc6f58a7fa407b9077cfd21df97e4d.png


...... 
Epoch 87/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2908e-04 - accuracy: 5.3677e-04 - val_loss: 9.1420e-06 - val_accuracy: 0.0000e+00
Epoch 88/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3659e-04 - accuracy: 5.3677e-04 - val_loss: 2.2255e-06 - val_accuracy: 0.0000e+00
Epoch 89/100
19/19 [==============================] - 0s 5ms/step - loss: 1.1987e-04 - accuracy: 5.3677e-04 - val_loss: 3.4974e-05 - val_accuracy: 0.0000e+00
Epoch 90/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2746e-04 - accuracy: 5.3677e-04 - val_loss: 9.6258e-05 - val_accuracy: 0.0000e+00
Epoch 91/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2758e-04 - accuracy: 5.3677e-04 - val_loss: 9.1996e-05 - val_accuracy: 0.0000e+00
Epoch 92/100
19/19 [==============================] - 0s 5ms/step - loss: 1.5623e-04 - accuracy: 5.3677e-04 - val_loss: 1.8761e-05 - val_accuracy: 0.0000e+00
Epoch 93/100
19/19 [==============================] - 0s 6ms/step - loss: 1.4421e-04 - accuracy: 5.3677e-04 - val_loss: 3.0035e-06 - val_accuracy: 0.0000e+00
Epoch 94/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4949e-04 - accuracy: 5.3677e-04 - val_loss: 2.6891e-04 - val_accuracy: 0.0000e+00
Epoch 95/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2961e-04 - accuracy: 5.3677e-04 - val_loss: 2.1525e-05 - val_accuracy: 0.0000e+00
Epoch 96/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2142e-04 - accuracy: 5.3677e-04 - val_loss: 3.6751e-05 - val_accuracy: 0.0000e+00
Epoch 97/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3616e-04 - accuracy: 5.3677e-04 - val_loss: 8.5641e-07 - val_accuracy: 0.0000e+00
Epoch 98/100
19/19 [==============================] - 0s 6ms/step - loss: 1.2854e-04 - accuracy: 5.3677e-04 - val_loss: 1.4613e-04 - val_accuracy: 0.0000e+00
Epoch 99/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4222e-04 - accuracy: 5.3677e-04 - val_loss: 1.1871e-04 - val_accuracy: 0.0000e+00
Epoch 100/100
19/19 [==============================] - 0s 6ms/step - loss: 1.7137e-04 - accuracy: 5.3677e-04 - val_loss: 2.4105e-06 - val_accuracy: 0.0000e+00
65/65 [==============================] - 0s 1ms/step
16/16 [==============================] - 0s 1ms/step


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]金子皓,向玲,李林春,胡爱军.基于完备集合经验模态分解的SE-BiGRU超短期风速预测[J].电力科学与工程,2023,39(01):9-16.


[2]蒋富康,陆金桂,刘明昊,丰宇.基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断[J].电子测量技术,2023,46(05):72-77.DOI:10.19651/j.cnki.emt.2210775.


🌈4 Python代码实现


相关文章
|
9天前
|
机器学习/深度学习 编解码 自动驾驶
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
32 3
RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
|
7天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
50 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
13天前
|
机器学习/深度学习 编解码 自动驾驶
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
40 16
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
|
13天前
|
机器学习/深度学习 存储
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
38 15
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
|
9天前
|
机器学习/深度学习 存储
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
30 0
RT-DETR改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
|
2月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
220 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
1月前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
125 10
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解深度学习中的卷积神经网络(CNN)##
在当今的人工智能领域,深度学习已成为推动技术革新的核心力量之一。其中,卷积神经网络(CNN)作为深度学习的一个重要分支,因其在图像和视频处理方面的卓越性能而备受关注。本文旨在深入探讨CNN的基本原理、结构及其在实际应用中的表现,为读者提供一个全面了解CNN的窗口。 ##
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解深度学习中的卷积神经网络(CNN)
深入理解深度学习中的卷积神经网络(CNN)
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的卷积神经网络(CNN): 从理论到实践
本文将深入浅出地介绍卷积神经网络(CNN)的工作原理,并带领读者通过一个简单的图像分类项目,实现从理论到代码的转变。我们将探索CNN如何识别和处理图像数据,并通过实例展示如何训练一个有效的CNN模型。无论你是深度学习领域的新手还是希望扩展你的技术栈,这篇文章都将为你提供宝贵的知识和技能。
472 7

热门文章

最新文章

推荐镜像

更多