企业官网建设流程全解析

免费招聘网站建设,网络营销是什么专业的课,WordPress5.1后台常规没有备案,屏蔽ip地址访问网站MATLAB环境下简单的基于双向长短时记忆网络的时间序列预测 1997年Schuster提出了双向循环神经网络BiRNN#xff0c;其由一个正向和反向的循环神经元组成#xff0c;前向神经元的输出直接作为后向神经元的输入。 受到BiRNN的启发#xff0c;因此学者对LSTM进行改进#xff0…MATLAB环境下简单的基于双向长短时记忆网络的时间序列预测 1997年Schuster提出了双向循环神经网络BiRNN其由一个正向和反向的循环神经元组成前向神经元的输出直接作为后向神经元的输入。 受到BiRNN的启发因此学者对LSTM进行改进提出了双向长短时记忆网络BiLSTM。 其在处理序列数据时不仅能访问过去时刻的信息而且能够访问未来时刻的信息。 双向长短时记忆网络能够利用双向信息更好的处理序列数据从而提高模型的准确率。 鉴于双向长短时记忆网络的优势本项目采用双向长短时记忆网络对若干时间序列进行预测包括国际航空旅客人数预测、全球冰储量预测、感染水痘人数预测、极紫外光预测、事故预测和240年的太阳黑子预测运行环境为MATLAB R2021B。 clc; clear; close all; %% ---------------------------- init Variabels ---------------------------- opt.Delays [1 2 3 4 5 6 7 8 9 10 12 16 20]; opt.dataPreprocessMode Data Standardization; % None Data Standardization Data Normalization opt.learningMethod LSTM; % MLP LSTM opt.trPercentage 0.8; % divide data into Test and Train dataset在时间序列预测的领域里我们总是在寻找更有效的模型。1997 年 Schuster 提出的双向循环神经网络 BiRNN 可以说是一个重要的里程碑它由一个正向和反向的循环神经元组成前向神经元的输出直接作为后向神经元的输入这一独特的结构让模型对序列的处理有了新的视角。受到 BiRNN 的启发学者们对 LSTM长短期记忆网络进行改进提出了双向长短时记忆网络 BiLSTM。这个改进可不得了BiLSTM 在处理序列数据时不仅能访问过去时刻的信息还能够获取未来时刻的信息。这就好比一个人在走路不仅能回顾走过的路还能提前看到前方的情况从而更好地做出决策。这种双向信息的利用极大地提升了模型处理序列数据的能力进而提高了模型的准确率。鉴于双向长短时记忆网络的这些优势我参与的这个项目决定采用 BiLSTM 对多种时间序列进行预测像国际航空旅客人数预测、全球冰储量预测、感染水痘人数预测、极紫外光预测、事故预测以及跨度达 240 年的太阳黑子预测运行环境则选定为 MATLAB R2021B。下面我们来看看项目开头的一段 MATLAB 代码clc; clear; close all; %% ---------------------------- init Variabels ---------------------------- opt.Delays [1 2 3 4 5 6 7 8 9 10 12 16 20]; opt.dataPreprocessMode Data Standardization; % None Data Standardization Data Normalization opt.learningMethod LSTM; % MLP LSTM opt.trPercentage 0.8; % divide data into Test and Train datasetclc; clear; close all;这三行代码简单粗暴clc是清空命令行窗口这样我们后续运行代码输出的结果就不会被之前的内容干扰看着清爽clear是清除工作区中的所有变量防止之前定义的变量名冲突或者对当前项目产生不必要的影响close all则关闭所有打开的图形窗口避免图形窗口过多占用资源也让后续绘图更加有序。再看下面这几行初始化变量的代码。opt.Delays [1 2 3 4 5 6 7 8 9 10 12 16 20];这里定义了一个延迟向量在时间序列预测中延迟的选择很关键它决定了模型能参考到过去哪些时刻的数据就像刚才说的回顾走过的路这个向量就规定了能看多远。opt.dataPreprocessMode Data Standardization;这里选择了数据预处理的方式为“数据标准化”还有其他可选模式注释在后面数据预处理能让数据更符合模型的“口味”提升模型的表现就像做菜前要把食材处理好一样。opt.learningMethod LSTM;明确了使用 LSTM 作为学习方法当然也可以选择MLP多层感知机不同的学习方法有各自的特点和适用场景这里基于项目对 BiLSTM 的需求选择了LSTM。opt.trPercentage 0.8;设定了将数据划分为训练集和测试集的比例80%的数据用于训练模型20%用于测试合理的划分能让模型既学到足够的知识又能在新数据上检验学习成果。通过这些初始化设置我们就为基于 BiLSTM 的时间序列预测在 MATLAB 环境中搭建好了初步的舞台后续就可以在这个基础上大展身手进行模型构建、训练和预测等一系列操作啦。