Matlab实现NGO-GRU北方苍鹰算法优化门控循环单元多输入单输出回归预测（完整源码和数据）

tic % 计时 %% 清空环境导入数据 clc %清空命令行的命令 clear all %清空工作区变量 close all %关闭程序运行过程中生成的所有图形窗口 warning off all format compact; currentFolder = pwd; addpath(genpath(currentFolder)); %添加该目录以及子文件到路径 %% 初始数据导入数据 [NUM]=xlsread('data.xlsx'); DATA=NUM; %-------------------训练数据、测速数据个数确定-------------------- % N= length(DATA); % number of samples [N,M]=size(DATA); Nu_train= floor(N * 0.8); % number of learning samples 前80%的数据作为训练数据 Nu_test = N - Nu_train; % 后25%的数据作为测试数据 input_train=DATA(1:Nu_train,1:M-1); %训练样本输入 output_train=DATA(1:Nu_train,M); %训练样本标签 input_test=DATA(Nu_train+1:N,1:M-1); %测试样本输出 output_test=DATA(Nu_train+1:N,M); %测试样本标签 input_train=input_train'; output_train=output_train'; input_test=input_test'; output_test=output_test'; % 数据归一化 [inputn_train,inputps] =mapminmax(input_train); [outputn_train,outputps]=mapminmax(output_train); inputn_test =mapminmax('apply',input_test,inputps); outputn_test=mapminmax('apply',output_test,outputps); %% --------------GRU优化---------------------- % 参数设置 SearchAgents = 5; % 种群数量 Max_iterations =10; % 迭代次数 lowerbound = [1e-10 0.0001 10 ];%三个参数的下限 upperbound = [1e-2 0.002 400 ];%三个参数的上限 dim = 3;%数量，即要优化的GRU超参数个数 fobj = @(x)fun(x,inputn_train,outputn_train,outputps); %调用函数fun计算适应度函数值 %% 赋值; [Best_score,Best_pos,Convergence_curve]=NGO(SearchAgents,Max_iterations,lowerbound,upperbound,dim,fobj) %% 北方苍鹰算法 %得到最优参数 L2Regularization = Best_pos(1,1); % 最佳L2正则化系数 InitialLearnRate = Best_pos(1,2); % 最佳初始学习率 NumOfUnits =abs(round( Best_pos(1,3))); % 最佳隐藏层节点数 %% ------------------利用优化参数重新训练GRU并预测---------------------------- % 数据输入x的特征维度 inputSize = size(inputn_train,1); % 数据输出y的维度 outputSize = size(outputn_train,1); % 设置网络结构 layers = [ ... sequenceInputLayer(inputSize) %输入层,参数是输入特征维数 gruLayer(NumOfUnits) %学习层,隐含层神经元的个数 dropoutLayer(0.2) %权重丢失率 fullyConnectedLayer(outputSize) %全连接层，也就是输出的维数 regressionLayer]; %回归层,该参数说明是在进行回归问题，而不是分类问题 % trainoption(gru) opts = trainingOptions('adam', ... %优化算法 'MaxEpochs',100, ... %最大迭代次数 'GradientThreshold',1,... %梯度阈值,防止梯度爆炸 'ExecutionEnvironment','cpu',... %对于大型数据集合、长序列或大型网络，在 GPU 上进行预测计算通常比在 CPU 上快。其他情况下，在 CPU 上进行预测计算通常更快。 'InitialLearnRate',InitialLearnRate, ... 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod',120, ... 'LearnRateDropFactor',0.2, ... % 指定初始学习率 0.005，在 100 轮训练后通过乘以因子 0.2 来降低学习率。 'L2Regularization', L2Regularization, ... % 正则化参数 'Verbose',false, ... %如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。 'Plots','training-progress'... %构建曲线图, 若将'training-progress'替换为'none'，则不画出曲线 ); % 'MiniBatchSize',outputSize*30, ... % 训练 GRUnet = trainNetwork(inputn_train ,outputn_train ,layers,opts); % 网络训练 % 预测 [GRUnet,GRUoutputr_train]= predictAndUpdateState(GRUnet,inputn_train); % 训练样本拟合值 GRUoutput_train = mapminmax('reverse',GRUoutputr_train,outputps); % 数据反归一化 %网络测试输出 GRUoutputr_test= []; for i = 1:Nu_test [GRUnet,GRUoutputr_test(:,i)] = predictAndUpdateState(GRUnet,inputn_test(:,i),'ExecutionEnvironment','cpu'); end GRUoutput_test= mapminmax('reverse',GRUoutputr_test,outputps); %反归一化 toc %% -----------------预测结果------------------------- % 数据格式转换 GRU_train =GRUoutput_train'; GRU_test = GRUoutput_test'; train_DATA=output_train'; %训练样本标签 test_DATA= output_test'; %测试样本标签 %% 绘图 %% 均方根误差 RMSE error1 = sqrt(sum((GRU_train - train_DATA).^2)./M); error2 = sqrt(sum((GRU_test- test_DATA).^2)./N); %% %决定系数 R1 = 1 - norm(train_DATA - GRU_train)^2 / norm(train_DATA - mean(train_DATA))^2; R2 = 1 - norm(test_DATA - GRU_test)^2 / norm(test_DATA - mean(test_DATA ))^2; %% %均方误差 MSE mse1 = sum((GRU_train - train_DATA).^2)./M; mse2 = sum((GRU_test - test_DATA).^2)./N; %% %RPD 剩余预测残差 SE1=std(GRU_train-train_DATA); RPD1=std(train_DATA)/SE1; SE=std(GRU_test-test_DATA); RPD2=std(test_DATA)/SE; %% 平均绝对误差MAE MAE1 = mean(abs(train_DATA - GRU_train)); MAE2 = mean(abs(test_DATA - GRU_test)); %% 平均绝对百分比误差MAPE MAPE1 = mean(abs((train_DATA - GRU_train)./train_DATA)); MAPE2 = mean(abs((test_DATA - GRU_test)./test_DATA)); %% 训练集拟合效果图 %% 训练集绘图 figure plot(GRU_train,'-s','Color',[255 0 0]./255,'linewidth',1,'Markersize',5,'MarkerFaceColor',[250 0 0]./255) hold on plot(train_DATA,'-o','Color',[150 150 150]./255,'linewidth',0.8,'Markersize',4,'MarkerFaceColor',[150 150 150]./255) legend('NGO-GRU预测值','真实值') xlabel('预测样本') ylabel('预测结果') string={'训练集预测结果对比';['(R^2 =' num2str(R1) ' RMSE= ' num2str(error1) ' MSE= ' num2str(mse1) ' RPD= ' num2str(RPD1) ')' ]}; title(string) hold on ;h=lsline(); set(h,'LineWidth',1,'LineStyle','-','Color',[1 0 1]) %% 训练集误差图 figure bar((GRU_train - train_DATA)./train_DATA) legend('NGO-GRU模型训练集相对误差','Location','NorthEast','FontName','华文宋体') title('NGO-GRU模型训练集相对误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') hold on ;h=lsline(); set(h,'LineWidth',1,'LineStyle','-','Color',[1 0 1]) %% 训练集相关图 figure plot(train_DATA,GRU_train,'or','linewidth',1); xlabel('真实值') ylabel('预测值') string = {'训练集效果图';['R^2_c=' num2str(R1) ' RMSEC=' num2str(error1) ]}; title(string) hold on ;h=lsline; set(h,'LineWidth',1,'LineStyle','-','Color',[1 0 1]) %% 测试集绘图 figure plot(GRU_test,'-s','Color',[0 0 255]./255,'linewidth',1,'Markersize',5,'MarkerFaceColor',[0 0 255]./255) hold on plot(test_DATA,'-o','Color',[0 0 0]./255,'linewidth',0.8,'Markersize',4,'MarkerFaceColor',[0 0 0]./255) legend('NGO-GRU预测值','真实值') xlabel('预测样本') ylabel('预测结果') string={'测试集预测结果对比';['(R^2 =' num2str(R2) ' RMSE= ' num2str(error2) ' MSE= ' num2str(mse2) ' RPD= ' num2str(RPD2) ')']}; title(string) hold on ;h=lsline(); set(h,'LineWidth',1,'LineStyle','-','Color',[1 0 1]) %% 测试集误差图 figure bar((GRU_test - test_DATA)./test_DATA) legend('NGO-GRU模型测试集相对误差','Location','NorthEast','FontName','华文宋体') title('NGO-GRU模型测试集相对误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') hold on ;h=lsline(); set(h,'LineWidth',1,'LineStyle','-','Color',[1 0 1]) %% 测试集相关图 figure plot(GRU_test,GRU_test,'ob'); xlabel('真实值') ylabel('预测值') string1 = {'测试集效果图';['R^2_p=' num2str(R2) ' RMSEP=' num2str(error2) ]}; title(string1) hold on ;h=lsline();