0
点赞
收藏
分享

微信扫一扫

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码


1 简介

人工神经网络的最大缺点是训练时间太长从而限制其实时应用范围,近年来,极限学习机(Extreme Learning Machine, ELM)的提出使得前馈神经网络的训练时间大大缩短,然而当原始数据混杂入大量噪声变量时,或者当输入数据维度非常高时,极限学习机算法的综合性能会受到很大的影响.深度学习算法的核心是特征映射,它能够摒除原始数据中的噪声,并且当向低维度空间进行映射时,能够很好的起到对数据降维的作用,因此我们思考利用深度学习的优势特性来弥补极限学习机的弱势特性从而改善极限学习机的性能.为了进一步提升DELM预测精度,本文采用狮群算法进一步优化DELM超参数,仿真结果表明,改进算法的预测精度更高。

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_深度学习

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_深度学习_02编辑

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_深度学习_03

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_原始数据_04编辑

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_05

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_06编辑

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_原始数据_07

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_深度学习_08编辑

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_原始数据_09

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_10编辑

2 部分代码

%_________________________________________________________________________%
%狮群算法 %
%_________________________________________________________________________%
function [Best_pos,Best_score,curve]=LSO(pop,Max_iter,lb,ub,dim,fobj)
beta = 0.5;%成年狮所占比列
Nc = round(pop*beta);%成年狮数量
Np = pop-Nc;%幼师数量
if(max(size(ub)) == 1)
ub = ub.*ones(1,dim);
lb = lb.*ones(1,dim);
end
%种群初始化
X0=initialization(pop,dim,ub,lb);
if(fitTemp<GBestF)
GBestF =fitTemp;
GBestX = Temp;
X(indexBest,:)=Temp;
fitness(indexBest) = fitTemp;
end
[value, index]= min(fitness);%找最小值
gbest = X(index,:);%当前代,种群最优值
curve(t) = GBestF;
end
Best_pos = GBestX;
Best_score = curve(end);
end

3 仿真结果

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_11

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_深度学习_12编辑

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_13

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_原始数据_14编辑

4 参考文献

[1]刘伟, 胡明威, 叶志伟,等. 一种基于狮群算法优化极限学习机集成学习的方法及系统:, CN110147890A[P]. 2019.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_原始数据_15

【DELM预测】基于狮群算法改进深度学习极限学习机实现数据预测附matlab代码_神经网络_16编辑

举报

相关推荐

0 条评论