LSTM 如何优化?

七彩极 · 发表于 2023-3-22 14:01

测试集怎么调都上不去。求求大神帮忙。

Doris232 · 发表于 2023-3-22 14:08

文章目录

一、智能进化算法-LSTM（优化超参数）
1.金枪鱼算法TSO-LSTM——案例1
2.孔雀优化算法(POA)-LSTM——案例1
3.猎人优化算法(HPO)-LSTM——案例1
4.人工大猩猩部队优化算法(GTO)-LSTM——案例1
5.象鼻虫算法(WOA)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）
6.草原犬鼠算法(PDO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）
7.人工兔算法(ARO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）
8.火鹰算法(FHO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）
二、改进的智能进化算法-LSTM（优化超参数）
1. 智能算法改进：改进蝠鲼觅食优化算法(dFDB-MRFO)-LSTM
2. 智能算法组合（未完待续）
3.收敛因子（未完待续）
4.混沌映射Tent（未完待续）
5.基于levy飞行（未完待续）
三、LSTM-CNN（提取特征）（未完待续）
1.LSTM-CNN（未完待续）
2.QR（分位数回归）-LSTM-CNN（未完待续）
3.Attention-QR-LSTM-CNN（未完待续）
一、智能进化算法-LSTM（优化超参数）

概述：
1.原理：通过进化算法寻找LSTM网络最优超参数，智能进化算法原理省略不讲。
2.本文测试数据为12输入单输出，解决回归问题。
3.评价指标：测试集实际值与预测值对比，目标函数为rmse，另外附MAE、MAPE、R2计算值。
4.常见优化LSTM三个参数，即隐含层神经元数，学习率，训练次数；
5.本代码进化算法为测试参数，为了提高运算速度，迭代次数为3，种群数量为5，可自行修改。
1.金枪鱼算法TSO-LSTM

%TSO_LSTM
clear all;
close all;
clc;
Particles_no = 10; % 种群数量 50
Function_name=‘LSTM_MIN’;
Max_iter = 3; % 迭代次数 10
Low = [10 0.001 10 ];%三个参数的下限
Up = [200 0.02 200 ];%三个参数的上限
Dim = 3;%待优化参数数量
fobj = @(x)LSTM_MIN(x);
train_x=input(:,1:n);
train_y=output(:,1:n);
test_x=input(:,n+1:end);
test_y=output(:,n+1:end);
method=@mapminmax;
% method=@mapstd;
[train_x,train_ps]=method(train_x);
test_x=method(‘apply’,test_x,train_ps);
[train_y,output_ps]=method(train_y);
test_y=method(‘apply’,test_y,output_ps);
XTrain = double(train_x) ;
XTest = double(test_x) ;
YTrain = double(train_y);
YTest = double(test_y);
numFeatures = size(XTrain,1); %输入特征维数
numResponses = size(YTrain,1);%输出特征维数
layers = [ …
sequenceInputLayer(numFeatures)%输入层，参数是输入特征维数
lstmLayer(Tuna1(1,1))%lstm层，如果想要构建多层lstm，改几个参数就行了
fullyConnectedLayer(numResponses)%全连接层，也就是输出的维数
regressionLayer];%该参数说明是在进行回归问题，而不是分类问题
options = trainingOptions(‘adam’, …%求解器设置为’adam’
‘MaxEpochs’,Tuna1(1,3), …%这个参数是最大迭代次数，即进行200次训练，每次训练后更新神经网络参数
‘MiniBatchSize’,16, …%用于每次训练迭代的最小批次的大小。
‘InitialLearnRate’,Tuna1(1,2), …%学习率
‘GradientThreshold’,1, …%设置梯度阀值为1 ，防止梯度爆炸
‘Verbose’,false, …%如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。
‘Plots’,‘training-progress’);%构建曲线图
%对每个时间步进行预测，对于每次预测，使用前一时间步的观测值预测下一个时间步。
net = trainNetwork(XTrain,YTrain,layers,options);
numTimeStepsTest = size(XTest,2);
for i = 1:numTimeStepsTest
[net,YPred(:,i)] = predictAndUpdateState(net,XTest(:,i),‘ExecutionEnvironment’,‘cpu’);
end
% 结果
% 反归一化
predict_value=method(‘reverse’,YPred,output_ps);
predict_value=double(predict_value);
true_value=method(‘reverse’,YTest,output_ps);
true_value=double(true_value);
for i=1
figure
plot(true_value(i,:),’-’,‘linewidth’,2)
hold on
plot(predict_value(i,:),’-s’,‘linewidth’,2)
legend(‘实际值’,‘预测值’)
grid on
title(‘TSO-LSTM预测结果’)
ylim([-500 500])
rmse=sqrt(mean((true_value(i,:)-predict_value(i,:)).^2));
disp([’-----------’,num2str(i),’------------’])
disp([‘均方根误差(RMSE)：’,num2str(rmse)])
mae=mean(abs(true_value(i,:)-predict_value(i,:)));
disp([‘平均绝对误差（MAE）：’,num2str(mae)])
mape=mean(abs((true_value(i,:)-predict_value(i,:))./true_value(i,:)));
disp([‘平均相对百分误差（MAPE）：’,num2str(mape100),’%’])
r2=R2(true_value(i,:),predict_value(i,:));
disp([‘R-square决定系数（R2）：’,num2str(r2)])
end

实际效果以自己的数据为准，本文测试结果并不代表算法最终效果。不同数据，数据处理方式，待优化参数等均不同。
2.孔雀优化算法(POA)-LSTM

与上文同数据、同进化算法设置参数。效果仅供参考
实现效果如下（示例）：

3.猎人优化算法(HPO)-LSTM

1.2021年Iraj Naruei等人提出的猎人优化算法，Hunter–prey optimization，与LSTM网络结合，优化LSTM超参数。
2.该算法的灵感来自狮子、豹子和狼等捕食性动物以及雄鹿和瞪羚等猎物的行为。动物狩猎行为的场景有很多，其中一些已经转化为优化算法。本文使用的场景与之前算法的场景不同。在提议的方法中，猎物和捕食者种群以及捕食者攻击远离猎物种群的猎物。猎人向着这个远处的猎物调整自己的位置，而猎物则向着安全的地方调整自己的位置。作为适应度函数最佳值的搜索代理的位置被认为是安全的位置。在几个测试函数上实现的 HPO 算法以评估其性能。此外，对于性能验证，所提出的算法被应用于几个工程问题。结果表明，所提出的算法在解决测试功能和工程问题方面表现良好。
3.本文为测试数据，12输入，单输出，回归问题。与上文同数据、同进化算法设置参数。效果仅供参考。
实现效果如下（示例）：

4.人工大猩猩部队优化算法(GTO)-LSTM

本文为测试数据，12输入，单输出，回归问题。与上文同数据、同进化算法设置参数。效果仅供参考。
实现效果如下（示例）：

5.象鼻虫算法(WOA)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）

2022象鼻虫算法WOA-LSTM
https://www.zhihu.com/video/1544156017834795008
Weevil 优化算法 (WOA)
作者：赛义德·穆罕默德·侯赛因·穆萨维
% Weevil 优化算法 (WOA)
% 由 Seyed Muhammad Hossein Mousavi 开发 - 2022;% 象鼻虫，也称为 nunus，是属于超科的甲虫;Curculionoidea，以其细长的鼻子而闻名。许多象鼻虫被认为是害虫，因为它们能够破坏和杀死农作物。
引用格式
赛义德·穆罕默德·侯赛因·穆萨维 (2022)。Weevil 优化器算法

其中，WOA与LSTM优化参数一致，均为双层隐含层对应的神经元数，迭代次数和学习率。其次，为了便于计算，设置种群数量为5，迭代次数为2。
PSO-LSTM根均方差(RMSE)：173.579
PSO-LSTM平均绝对误差（MAE）：136.9961
PSO-LSTM平均相对百分误差（MAPE）：3.9484%
PSO-LSTM决定系数（R2）：0.9051
LSTM根均方差(RMSE)：233.6107
LSTM平均绝对误差（MAE）：194.5018
LSTM平均相对百分误差（MAPE）：5.657%
LSTM决定系数（R2）：0.85649
WOA-LSTM根均方差(RMSE)：168.5163
WOA-LSTM平均绝对误差（MAE）：130.863
WOA-LSTM平均相对百分误差（MAPE）：3.871%
WOA-LSTM决定系数（R2）：0.90586
6.草原犬鼠算法(PDO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）

2022年草原犬鼠算法(PDO)-LSTM
https://www.zhihu.com/video/1544156295913271296
草原犬鼠优化算法
作者：押沙龙·埃祖格乌
Prairie Dog Optimization (PDO) 是一种新的基于种群的元启发式算法，用于解决数值优化问题。
PDO 是一种新的受自然启发的元启发式算法，它模仿草原犬鼠在其自然栖息地的行为。所提出的算法使用四种草原犬鼠活动来实现两个常见的优化阶段，探索和利用。草原犬鼠的觅食和挖洞活动用于为 PDO 算法提供探索行为。
引用格式
Absalom E. Ezugwu、Jeffrey O. Agushaka、Laith Abualigah、Seyedali Mirjalili、Amir H Gandomi，“草原犬鼠优化算法”神经计算和应用，2022 年。DOI：10.1007/s00521-022-07530-9
其中，PDO与LSTM优化参数一致，均为双层隐含层对应的神经元数，迭代次数和学习率。其次，为了便于计算，设置种群数量为5，迭代次数为2。

PSO-LSTM根均方差(RMSE)：173.579
PSO-LSTM平均绝对误差（MAE）：136.9961
PSO-LSTM平均相对百分误差（MAPE）：3.9484%
PSO-LSTM决定系数（R2）：0.9051
LSTM根均方差(RMSE)：233.6107
LSTM平均绝对误差（MAE）：194.5018
LSTM平均相对百分误差（MAPE）：5.657%
LSTM决定系数（R2）：0.85649
PDO-LSTM根均方差(RMSE)：169.3895
PDO-LSTM平均绝对误差（MAE）：132.0842
PDO-LSTM平均相对百分误差（MAPE）：3.9328%
PDO-LSTM决定系数（R2）：0.90469
7.人工兔算法(ARO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）

2022年人工兔算法(ARO)-LSTM
https://www.zhihu.com/video/1544156750835822592

人工兔优化（ARO）：一种新的仿生元启发式算法，用于解决工程优化问题;人工兔优化 (ARO) 的灵感来自自然界中兔子的生存策略。该算法有效且易于实现。
引用：Wang, L., Cao, Q., Zhang, Z., Mirjalili, S., & Zhao, W. (2022)。
http://https: //doi.org/10.1016/j.engappai.2022.105082
PSO-LSTM根均方差(RMSE)：173.579
PSO-LSTM平均绝对误差（MAE）：136.9961
PSO-LSTM平均相对百分误差（MAPE）：3.9484%
PSO-LSTM决定系数（R2）：0.9051
LSTM根均方差(RMSE)：233.6107
LSTM平均绝对误差（MAE）：194.5018
LSTM平均相对百分误差（MAPE）：5.657%
LSTM决定系数（R2）：0.85649
ARO-LSTM根均方差(RMSE)：167.3975
ARO-LSTM平均绝对误差（MAE）：128.4898
ARO-LSTM平均相对百分误差（MAPE）：3.7967%
ARO-LSTM决定系数（R2）：0.90527
8.火鹰算法(FHO)-LSTM——案例2（负荷预测并与PSO-LSTM/LSTM对比）

2022年火鹰算法(FHO)-LSTM
https://www.zhihu.com/video/1544156919304187904

Fire Hawk Optimizer (FHO)：一种新颖的元启发式算法
Fire Hawk Optimizer: a novel metaheuristic algorithm | SpringerLink
Fire Hawk Optimizer (FHO) 是一种基于口哨风筝、黑鸢和棕隼的觅食行为开发的新型元启发式算法。这些鸟被称为火鹰，考虑到它们在自然界捕捉猎物所采取的具体行动，特别是通过放火来捕捉猎物。
引用格式
阿齐兹、马赫迪等人。“火鹰优化器：一种新颖的元启发式算法。” 人工智能评论，Springer Science and Business Media LLC，2022 年 6 月，doi:10.1007/s10462-022-10173-w。

PSO-LSTM根均方差(RMSE)：173.579
PSO-LSTM平均绝对误差（MAE）：136.9961
PSO-LSTM平均相对百分误差（MAPE）：3.9484%
PSO-LSTM决定系数（R2）：0.9051
LSTM根均方差(RMSE)：233.6107
LSTM平均绝对误差（MAE）：194.5018
LSTM平均相对百分误差（MAPE）：5.657%
LSTM决定系数（R2）：0.85649
FHO-LSTM根均方差(RMSE)：165.8632
FHO-LSTM平均绝对误差（MAE）：127.8064
FHO-LSTM平均相对百分误差（MAPE）：3.7457%
FHO-LSTM决定系数（R2）：0.90644
二、改进的智能进化算法-LSTM（优化超参数）

1. 智能算法改进：改进蝠鲼觅食优化算法(dFDB-MRFO)-LSTM

dfDB-MRFO：强大的元启发式优化算法

改进蝠鲼觅食dFDB-MRFO-LSTM
https://www.zhihu.com/video/1544157065844862976
动态 FDB 选择方法：改进版平衡距离 dfDB-MRFO：使用 dFDB 改进的蝠鲼觅食优化器
论文链接：https ://http://link.springer.com/article/10.1007/s10489-021-02629-3
论文链接：https ://rdcu.be/cqFmD
通过使用动态 FDB 选择方法，您可以将元启发式搜索算法转换为更强大和更有效的方法。为此，您应该分析元启发式搜索算法中的指南选择过程，并将动态FDB选择方法集成到该过程中。源代码中，我们将dFDB方法应用到了MRFO算法的导选过程中，实现了MRFO性能的独特提升。
Manta Ray Foraging Optimizer 已使用 dFDB 方法重新设计，因此开发了 dFDB-MRFO 算法以提高搜索性能。dFDB-MRFO 是一种最新且功能强大的元启发式搜索算法，可用于解决单目标优化问题。
引用格式
Kahraman, HT, Bakir, H., Duman, S., Kati, M., Aras, S., Guvenc, U. 动态 FDB 选择方法及其应用：定向过电流继电器协调的建模和优化。应用英特尔 (2021)。Dynamic FDB selection method and its application: modeling and optimizing of directional overcurrent relays coordination | SpringerLink

PSO-LSTM根均方差(RMSE)：173.579
PSO-LSTM平均绝对误差（MAE）：136.9961
PSO-LSTM平均相对百分误差（MAPE）：3.9484%
PSO-LSTM决定系数（R2）：0.9051
LSTM根均方差(RMSE)：233.6107
LSTM平均绝对误差（MAE）：194.5018
LSTM平均相对百分误差（MAPE）：5.657%
LSTM决定系数（R2）：0.85649
dFDB_MRFO-LSTM根均方差(RMSE)：167.8976
dFDB_MRFO-LSTM平均绝对误差（MAE）：130.1999
dFDB_MRFO-LSTM平均相对百分误差（MAPE）：3.8654%
dFDB_MRFO-LSTM决定系数（R2）：0.90504

%%%%%%%%%%%%%%%%未完待续%%%%%%%%%%%%%%%%
原文链接：【MATLAB第1期】LSTM/GRU网络回归/分类预测改进与优化合集(含录屏操作，持续更新)_随风飘摇的土木狗的博客-CSDN博客

mastertravels77 · 发表于 2023-3-22 14:14

重新划分一下训练集与测试集大小

RhinoFreak · 发表于 2023-3-22 14:23

首先得判断本身数据是不是能做预测，在这方面有没有相关数据研究，然后进行调参，调参不成功，考虑数据预处理！

		自动登录	找回密码
密码			立即注册

LSTM 如何优化?

本帖子中包含更多资源

本帖子中包含更多资源