移动网站建设口碑好,cc域名网站,如何创建网站小程序,城乡建设厅建筑特种作业证书查询基于蜣螂算法改进的LSTM分类算法 文章目录基于蜣螂算法改进的LSTM分类算法1.数据集2.LSTM模型3.基于蜣螂算法优化的RF4.测试结果5.Matlab代码摘要#xff1a;为了提高LSTM数据的分类预测准确率#xff0c;对LSTM中的参数利用蜣螂搜索算法进行优化。1.数据集
数据的来源是 UC…基于蜣螂算法改进的LSTM分类算法 文章目录基于蜣螂算法改进的LSTM分类算法1.数据集2.LSTM模型3.基于蜣螂算法优化的RF4.测试结果5.Matlab代码摘要为了提高LSTM数据的分类预测准确率对LSTM中的参数利用蜣螂搜索算法进行优化。1.数据集
数据的来源是 UCI 数据库中的肿瘤数据。数据信息如下
data.mat 的大小为569*32。
其中第2列为标签数据包含两类标签。
第3列到最后一列为特征数据。
所以RF模型的数据输入维度为30;输出维度为1。
2.LSTM模型
LSTM请自行参考相关机器学习书籍。
3.基于蜣螂算法优化的RF
蜣螂搜索算法的具体原理参考博客https://blog.csdn.net/u011835903/article/details/128280084
蜣螂算法的优化参数为 LSTM网路包含的隐藏单元数目,最大训练周期,分块尺寸,初始学习率,L2参数。适应度函数为LSTM对训练集和测试集的预测错误率错误率越低越好。 fintenesserrorRate[predict(train)]errorRate[predict(test)]finteness errorRate[predict(train)] errorRate[predict(test)] fintenesserrorRate[predict(train)]errorRate[predict(test)]
4.测试结果
数据划分信息如下 训练集数量为500组测试集数量为69组
蜣螂参数设置如下
%% 定义蜣螂优化参数
pop10; %种群数量
Max_iteration10; % 设定最大迭代次数
dim 5;%维度即LSTM网路包含的隐藏单元数目,最大训练周期,分块尺寸,初始学习率,L2参数
lb [2,2,2,10E-5,10E-6];%下边界
ub [200,100,30,1,1];%上边界
fobj (x) fun(x,inputSize,numClasses,XTrain,YTrain,XTest,YTest);DBO-LSTM优化得到的最优参数为 DBO-LSTM优化得到的隐藏单元数目为61 DBO-LSTM优化得到的最大训练周期为100 DBO-LSTM优化得到的BatchSize为22 DBO-LSTM优化得到的InitialLearnRate为0.00071093 DBO-LSTM优化得到的L2Regularization为1.5619e-05
DBO-LSTM算法结果 训练集准确率0.95 测试集准确率0.98551 LSTM算法结果 训练集准确率0.922 测试集准确率0.95652
由于训练时间比教长蜣螂的种群数量和迭代次数设置的比较低但是从结果来看SSA-LSTM的结果比原始LSTM的更优。
5.Matlab代码
