【DBN回归预测】基于麻雀算法优化深度置信网络SSA-DBN实现数据回归多输出预测附matlab代码

news2024/11/29 4:45:56

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器

信号处理图像处理路径规划元胞自动机无人机电力系统

⛄ 内容介绍

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型.通过分析各模型函数的特征,建立了光伏发电模型的功率预测.传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度.DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点.DBN参数采用麻雀优化算法(SSA)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能.最后,案例测试显示了所提出模型的有效性.

⛄ 部分代码

% GetOnInd: get indexes which are used (not dropped) nodes%GetOnInd获取使用(未删除)节点的标准。

% OnInd = GetOnInd( dbn, DropOutRate, strbm )%OnInd的调用格式

%Output parameters:%输出参数

% OnInd: indexes which are used (not dropped) nodes%OnInd:使用(未删除)节点的标准。

%Input parameters:%输入参数

% dbn: the Original Deep Belief Nets (DBN) model%最初的深度信念网络(DBN)模型。

% DropOutRate: 0 < DropOutRate < 1%DropOutRate的取值范围为0到1

% strbm (optional): started rbm layer to dropout (Default: 1)%strbm(optional):起始rbm层的辍学(默认值:1)

%Reference:%参考

%for details of the dropout%关于辍学的细节

% Hinton et al, Improving neural networks by preventing co-adaptation of feature detectors, 2012.%Hinton等人，通过阻止功能探测器的协同适应，改善神经网络，2012年。

%Version: 20130821%版本：20130821

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% Deep Neural Network:%深度神经网络 %

% %

% mtanaka@ctrl.titech.ac.jp %

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function OnInd = GetOnInd( dbn, DropOutRate, strbm )%建立OnInd功能函数

if( ~exist('strbm', 'var') || isempty(strbm) )%如果不存在类型strbm,变量var或者类型strbm为空

strbm = 1;%strbm为1

end

OnInd = cell(numel(dbn.rbm),1);%OnInd为行为dbn.rbm中元素的个数，列为1列的空的单元数组

for n=1:numel(dbn.rbm)%n的取值范围是1到dbn.rbm中元素的个数

dimV = size(dbn.rbm{n}.W,1);%dimV为dbn.rbm{n}行元素的大小

if( n >= strbm )%如果n大等于strbm

OnNum = round(dimV*DropOutRate(n));%OnNum为随机的dimV*DropOutRate维矩阵

OnInd{n} = sort(randperm(dimV, OnNum));%sort函数功能把数组元素按升序或降序排列如果A是矩阵，sort(A) 对A按每一列元素按照升序排列。P=randperm(N)返回一个包含N个在0到N之间产生的随机元素的向量P=randperm(N,K)返回一个包含K个在0到N之间的随机元素向量例如：randperm（6,3）可能为[4 2 5]

else

OnInd{n} = 1:dimV;%OnInd{n}的范围是1到dimV

end