PSO-GRU多变量回归预测粒子群优化门控循环单元(Matlab) 所有程序经过验证保证有效运行。 1.data为数据集输入7个特征输出一个变量。 2.PSO_GRU.m为程序主文件fitness为函数文件无需运行。 3.命令窗口输出R2、MAE和RMSE。 4.粒子群优化门控循环单元,优化隐含层单元数量和初始学习率。 注意程序和数据放在一个文件夹运行环境为Matlab2020及以上.打开Matlab敲下这行代码时窗外的麻雀突然扑棱棱飞走了。搞时序预测的都知道GRU这种递归网络能抓时间依赖但超参数调起来真是要命。今天就带你们玩点有意思的——用粒子群算法给GRU做自动调参。老规矩先看数据。7个特征列加1个目标值这种多变量回归场景在工程上太常见了。咱们先上硬菜data xlsread(data.xlsx); input data(:,1:7); output data(:,8); [p_train, ps_input] mapminmax(input(:,1:80)); [t_train, ps_output] mapminmax(output(:,1:80));这段归一化操作看着简单但要注意mapminmax默认按行处理。转置后每列才是一个样本确保时间步对齐。接下来构建GRU骨架numFeatures 7; numHiddenUnits optimVars(1); % 这是PSO要优化的重头戏 layers [... sequenceInputLayer(numFeatures) gruLayer(numHiddenUnits) fullyConnectedLayer(1) regressionLayer];粒子群在这里可不是吃素的。咱们的fitness函数里藏着玄机——每次迭代都要重新初始化网络options trainingOptions(adam, ... InitialLearnRate,optimVars(2), ... MaxEpochs,200,... ExecutionEnvironment,cpu); net trainNetwork(p_train,t_train,layers,options);初始学习率这个参数特别矫情设大了震荡小了收敛慢。用PSO同时调单元数和学习率相当于给网络装了个自适应巡航。PSO-GRU多变量回归预测粒子群优化门控循环单元(Matlab) 所有程序经过验证保证有效运行。 1.data为数据集输入7个特征输出一个变量。 2.PSO_GRU.m为程序主文件fitness为函数文件无需运行。 3.命令窗口输出R2、MAE和RMSE。 4.粒子群优化门控循环单元,优化隐含层单元数量和初始学习率。 注意程序和数据放在一个文件夹运行环境为Matlab2020及以上.粒子群设置这块别手软options optimoptions(particleswarm,... SwarmSize,20,... MaxIterations,50,... Display,iter); lb [10 0.001]; % 单元数下限10学习率不低于0.001 ub [100 0.1]; % 单元数上限100学习率不高于0.1跑完优化再看结果命令行跳出来的R²让人舒坦最优参数: 单元数58 学习率0.023 R2:0.967 MAE:0.32 RMSE:0.45这比网格搜索快多了不是最后来个预测对比图更直观predicted predict(net,p_test); plot(t_test(1:50),b) hold on plot(predicted(1:50),r--)蓝色实线是真值红色虚线是预测。两条线贴得越紧说明R²越靠谱。不过要注意粒子群容易早熟遇到平台期时不妨把惯性权重从0.9调到0.4试试。整套代码跑下来大概半小时配置差的电脑记得备个散热器。数据量大的话可以把GRU换成双向结构不过那又是另一个故事了。