回归预测 | MATLAB实现WOA-GRU鲸鱼算法优化门控循环单元多输入单输出回归预测

回归预测 | MATLAB实现WOA-GRU鲸鱼算法优化门控循环单元多输入单输出回归预测

写在前面

程序获取 | 机器学习/深度学习程序获取方式，本篇文章程序和数据通过订阅组合优化专栏可以获取，程序和数据订阅后私信我，同时订阅后获取组合优化专栏收录的全部完整程序；也可以直接在机器学习之心资源处下载：MATLAB实现WOA-GRU鲸鱼算法优化门控循环单元多输入单输出回归预测完整程序和数据。

效果一览

基本描述

MATLAB实现WOA-GRU鲸鱼算法优化门控循环单元多输入单输出回归预测。鲸鱼算法优化参数为隐含层节点数，最大训练代数，初始学习率参数。鲸鱼优化算法（Whale Optimization Algorithm，WOA）本文将介绍一种新的受自然启发的元启发式优化算法——鲸鱼优化算法(WOA)，该算法模拟了座头鲸的社会行为，并引入了气泡网狩猎策略。

模型描述

鲸鱼在大脑的某些区域有与人类相似的细胞，这些细胞被称为纺锤形细胞（spindle cells）。这些细胞负责人类的判断、情感和社会行为。换句话说，纺锤形细胞使我们人类有别于其他生物。鲸鱼的这些细胞数量是成年人的两倍，这是它们具有高度智慧和更富情感的主要原因。已经证明，鲸鱼可以像人类一样思考、学习、判断、交流，甚至变得情绪化，但显然，这都只是在一个很低的智能水平上。据观察，鲸鱼(主要是虎鲸)也能发展自己的方言。门控循环单元（GRU）是循环神经网络（RNN）中的一种门控机制，与其他门控机制相似，其旨在解决标准RNN中的梯度消失／爆炸问题并同时保留序列的长期信息。GRU在许多诸如语音识别的序列任务上与LSTM同样出色，不过它的参数比LSTM少，仅包含一个重置门（reset gate）和一个更新门（update gate）。循环门控系统（GRU）则提取出LSTM学习中真正必需的元素，仅使用一个更新门（update gate）和重置门（reset gate）且去除了cell state。在实际运用中，GRU和LSTM往往有着相似的优良表现，而其他门控RNN变种在广泛任务中也难以明显击败这两个原始结构。

门控循环单元在长序列数据的处理上依然有限，且对于复杂度高的序列，其约简过的门控单元也难以有效提取层次化信息，而分层、结构化的信息表示对于很多序列识别、理解的任务及其解读往往十分重要。新型的门控单元，在网络中引入时间维度上的和层级结构上的信息提取，注意力机制和外显记忆等都是目前的研究发展方向。

程序设计

• 完整程序和数据

程序获取 | 机器学习/深度学习程序获取方式，本篇文章程序和数据通过订阅组合优化专栏可以获取，程序和数据订阅后私信我，同时订阅后获取组合优化专栏收录的全部完整程序；也可以直接在机器学习之心资源处下载：MATLAB实现WOA-GRU鲸鱼算法优化门控循环单元多输入单输出回归预测完整程序和数据。

%% 主程序 WOA-GRU，鲸鱼算法优化门控循环单元预测
% 预设鲸鱼优化算法的参数 
popsize = 5; %种群数量
maxgen = 20;  % WOA最大的迭代次数
dim = 3; % 优化的自变量个数 ，依次为GRU的第一和第二隐含层节点数，最大训练代数，初始学习率

   %输入输出数据
    L = size(output, 1); %样本总数
    %     testNumber = round(L*0.2); %设置四个样本测试
    testNumber =20; %设置四个样本测试
    trainNumber = L - testNumber; %训练样本数量
 
    % 划分训练集和测试集
    p_train = input(1:trainNumber, :)';
    t_train = output(1:trainNumber, :)';
    % 测试集 
    p_test = input(trainNumber+1:trainNumber+testNumber,:)';
    t_test = output(trainNumber+1:trainNumber+testNumber,:)';
        %% 归一化和元胞数组处理
    [pn_train ,ps]= mapminmax(p_train);
    [tn_train, ts] = mapminmax(t_train);
    %测试集的归一化
    pn_test = mapminmax('apply', p_test, ps);
    tn_test = mapminmax('apply', t_test, ts);

     for i = 1:length(t_train)
        P_train{i,1} =  pn_train(:,i);
    end
    for i = 1:length(t_test)
        P_test{i,1} =  pn_test(:,i);
    end

    %% 归一化和元胞数组处理p 4; % 优化的自变量个数 ，依次为GRU的第一和第二隐含层节点数，最大训练代数，初始学习率
    lb = [1, 1, 0.001]; % 下限
    ub = [10,20, 0.01]; % 上限

    % initialize position vector and score for the leader，初始化位置向量和领导者得分
    Leader_pos=zeros(1,dim);
    Leader_score=inf; %change this to -inf for maximization problems，将此更改为-inf以获得最大化问题，Inf无穷大


    %Initialize the positions of search agents
    Positions=initialization(popsize,dim,ub,lb);%Positions，存放数个个体的多维位置。

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127993418
[2] https://blog.csdn.net/kjm13182345320/article/details/127545080