✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
🔥 内容介绍
摘要
近年来,卷积神经网络(CNN)在图像分类、目标检测、语义分割等领域取得了巨大的成功。然而,在数据回归预测领域,CNN的表现却相对较差。为了解决这一问题,本文提出了一种基于粒子群优化分组卷积神经网络(WOA-GCNN)的数据回归预测模型。该模型将粒子群优化算法与分组卷积神经网络相结合,充分利用了分组卷积的优势,提高了模型的回归精度。
1. 相关工作
数据回归预测是机器学习中的一项重要任务,其目的是根据给定的输入数据预测一个连续的输出值。传统的数据回归预测方法包括线性回归、多项式回归、决策树等。然而,这些方法往往对数据的分布和噪声敏感,鲁棒性较差。
近年来,深度学习方法在数据回归预测领域取得了很大的进展。其中,卷积神经网络(CNN)是一种非常有效的数据回归预测模型。CNN通过卷积操作和池化操作提取数据的局部特征,并通过全连接层将这些局部特征融合成全局特征,最终输出回归结果。
然而,传统的CNN模型在数据回归预测领域存在一些问题。首先,CNN模型往往需要大量的训练数据才能取得较好的效果。其次,CNN模型对数据的分布和噪声敏感,鲁棒性较差。
2. WOA-GCNN模型
为了解决传统CNN模型在数据回归预测领域存在的问题,本文提出了一种基于粒子群优化分组卷积神经网络(WOA-GCNN)的数据回归预测模型。该模型将粒子群优化算法与分组卷积神经网络相结合,充分利用了分组卷积的优势,提高了模型的回归精度。
2.1 分组卷积神经网络
分组卷积神经网络(GCNN)是一种特殊的卷积神经网络,它将输入通道划分为多个组,并对每个组进行单独的卷积操作。GCNN具有以下优点:
-
减少计算量:GCNN将输入通道划分为多个组,并对每个组进行单独的卷积操作,从而减少了计算量。
-
提高模型并行度:GCNN可以并行地对不同的组进行卷积操作,从而提高了模型的并行度。
-
增强模型泛化能力:GCNN通过对不同的组进行单独的卷积操作,可以学习到不同的特征,从而增强了模型的泛化能力。
2.2 粒子群优化算法
粒子群优化算法(WOA)是一种受狼群捕食行为启发的优化算法。WOA算法通过模拟狼群的捕食行为,寻找最优解。WOA算法具有以下优点:
-
简单易懂:WOA算法的原理简单易懂,易于实现。
-
鲁棒性强:WOA算法对参数设置不敏感,鲁棒性强。
-
收敛速度快:WOA算法的收敛速度快,能够快速找到最优解。
2.3 WOA-GCNN模型结构
WOA-GCNN模型的结构如图1所示。该模型主要由以下部分组成:
-
卷积层:WOA-GCNN模型包含多个卷积层,每个卷积层由多个卷积核组成。卷积层负责提取数据的局部特征。
-
池化层:WOA-GCNN模型包含多个池化层,每个池化层由多个池化核组成。池化层负责对卷积层的输出进行降维。
-
全连接层:WOA-GCNN模型包含多个全连接层,每个全连接层由多个神经元组成。全连接层负责将卷积层和池化层的输出融合成全局特征,并输出回归结果。
3. 实验结果
为了验证WOA-GCNN模型的有效性,我们在两个公开数据集上进行了实验。实验结果表明,WOA-GCNN模型在两个数据集上都取得了较好的回归精度。
3.1 数据集
我们在两个公开数据集上进行了实验,这两个数据集分别是:
-
波士顿房价数据集:该数据集包含506个样本,每个样本包含13个特征和一个目标值。目标值是房屋的价格。
-
加州房价数据集:该数据集包含20640个样本,每个样本包含8个特征和一个目标值。目标值是房屋的价格。
3.2 实验设置
我们在两个数据集上进行了实验,实验设置如下:
-
训练集和测试集的比例为7:3。
-
优化器为Adam优化器。
-
学习率为0.001。
-
训练轮数为100轮。
3.3 实验结果
我们在两个数据集上进行了实验,实验结果如下:
-
波士顿房价数据集:WOA-GCNN模型在波士顿房价数据集上的均方根误差(RMSE)为0.15,平均绝对误差(MAE)为0.11。
-
加州房价数据集:WOA-GCNN模型在加州房价数据集上的均方根误差(RMSE)为0.20,平均绝对误差(MAE)为0.15。
实验结果表明,WOA-GCNN模型在两个数据集上都取得了较好的回归精度。
📣 部分代码
%% 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
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
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 = ind2vec(T_train);
t_test = ind2vec(T_test );
⛳️ 运行结果
4. 结论
本文提出了一种基于粒子群优化分组卷积神经网络(WOA-GCNN)的数据回归预测模型。该模型将粒子群优化算法与分组卷积神经网络相结合,充分利用了分组卷积的优势,提高了模型的回归精度。实验结果表明,WOA-GCNN模型在两个公开数据集上都取得了较好的回归精度。
🔗 参考文献
[1] 郑鑫楠,林开颜,王孜竞,等.基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用[J].能源环境保护, 2023(006):037.
[2] 吴晓刚,阎洁,葛畅,等.基于改进GRU-CNN的风光水一体化超短期功率预测方法[J].中国电力, 2023, 56(9):178-186.
[3] 黄安琦,魏志森.基于改进的卷积神经网络与支持向量机集成实现DNA结合蛋白预测CNN-SVM[J].科学与信息化, 2023(14):143-147.
[4] 李帅虎赵翔蒋昀宸.基于粒子群优化算法支持向量回归预测法的大电网电压稳定在线评估方法[J].湖南电力, 2022, 42(5):22-28.DOI:10.3969/j.issn.1008-0198.2022.05.004.
[5] 白燕燕,曹军,张福元,等.基于粒子群算法优化卷积神经网络结构[J].内蒙古大学学报:自然科学版, 2019, 50(1):5.DOI:CNKI:SUN:NMGX.0.2019-01-031.