医疗 企业 网站建设,包装设计公司排行,wordpress flash,宁波网络推广推荐机构哪吒闹海#xff01;SCI算法分解组合四模型原创对比首发#xff01;SGMD-FATA-Transformer-LSTM多变量时序预测 目录 哪吒闹海#xff01;SCI算法分解组合四模型原创对比首发#xff01;SGMD-FATA-Transformer-LSTM多变量时序预测效果一览基本介绍程序设计参考资料 效果一览…哪吒闹海SCI算法分解组合四模型原创对比首发SGMD-FATA-Transformer-LSTM多变量时序预测 目录 哪吒闹海SCI算法分解组合四模型原创对比首发SGMD-FATA-Transformer-LSTM多变量时序预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍
1.SCI算法海市蜃楼优化算法优化算法分解组合对比SGMD-FATA-Transformer-LSTM多变量时间序列光伏功率预测辛几何模态分解海市蜃楼优化算法优化Transformer结合长短期记忆神经网络多变量时间序列预测程序可以作为核心级论文代码支撑目前尚未发表 海市蜃楼优化算法(Fata morgana algorithm, FATA)是一种新型的元启发式算法智能优化算法灵感来源于海市蜃楼的形成过程该成果由Ailiang Qi于2024年8月发表在SCI的Top期刊《Neurocomputing》上 2.算法优化参数为学习率隐含层单元数目最大训练周期运行环境为Matlab2023b及以上 3.数据集为excel光伏功率数据集输入辐射度、气温、气压、湿度输出光伏功率输入多个特征输出单个变量考虑历史特征的影响多变量时间序列预测主程序运行即可所有文件放在一个文件夹 4.命令窗口输出R2、MSE、RMSE、MAE、MAPE、MBE等多指标评价。 先运行main1SGMD进行SGMD分解再运行main2FATATransformerLSTM四个模型对比注意一种算法不是万能的不同的数据集效果会有差别后面的工作就是需要调整参数。
数据集
参考文献
程序设计
完整程序和数据获取方式私信博主回复哪吒闹海SCI算法分解组合四模型原创对比首发SGMD-FATA-Transformer-LSTM多变量时序预测Matlab。
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行clc;
clear
close all
warning off
%% CSDN《机器学习之心》
%% Transformer预测
tic
X xlsread(北半球光伏数据.xlsx);
load SGMD_data.matdisp(…………………………………………………………………………………………………………………………)num_samples length(X); % 样本个数
kim 5; % 延时步长kim个历史数据作为自变量
zim 1; % 跨zim个时间点进行预测
or_dim size(X,2);% 重构数据集
for i 1: num_samples - kim - zim 1res(i, :) [reshape(X(i: i kim - 1,:), 1, kim*or_dim), X(i kim zim - 1,:)];
end% 训练集和测试集划分
outdim 1; % 最后一列为输出
num_size 0.7; % 训练集占数据集比例
num_train_s round(num_size * num_samples); % 训练集样本个数
f_ size(res, 2) - outdim; % 输入特征维度P_train res(1: num_train_s, 1: f_);
T_train res(1: num_train_s, f_ 1: end);
M size(P_train, 2);P_test res(num_train_s 1: end, 1: f_);
T_test res(num_train_s 1: end, f_ 1: end);
N size(P_test, 2);% 数据归一化
[P_train, ps_input] mapminmax(P_train, 0, 1);
P_test mapminmax(apply, P_test, ps_input);[t_train, ps_output] mapminmax(T_train, 0, 1);
t_test mapminmax(apply, T_test, ps_output);%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据以及3维数据需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train double(reshape(P_train, f_, 1, 1, M));
P_test double(reshape(P_test , f_, 1, 1, N));t_train t_train;
t_test t_test ;%% 数据格式转换%% CSDN《机 器 学 习 之 心》
for i 1 : Mp_train{i, 1} P_train(:, :, 1, i);
endfor i 1 : Np_test{i, 1} P_test( :, :, 1, i);
end% Transformer建模
numChannels f_; % 定义输入的通道数变量 f_ 代表特征的维度
maxPosition 256*2; % 最大位置编码通常用于序列长度的上限这里设为 512
numHeads 4; % 自注意力机制中的头数
numKeyChannels numHeads*32; % 每个头的键通道数总键通道数为 128
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/127931217 [2] https://blog.csdn.net/kjm13182345320/article/details/127418340
