拉拉是什么

clc; clear; close all; format compact ; warning off %% 读取数据 result = xlsread('data.xlsx','sheet1','A2：H1001'); f=result(:,end); % 采样时间 t = 1:length(f); %% 数据分析 num_samples = length(result); % 样本个数 kim = 3; % 延时步长（前面多行历史数据作为自变量） zim = 1; % 跨zim个时间点进行预测 nim = size(result, 2); %% 划分数据集 for i = 1: num_samples - kim - zim + 1 res(i, :) = [reshape(result(i: i + kim - 1 , :)', 1, ... kim * nim), result(i + kim , end)]; end %% 数据集分析 outdim = 1; % 最后一列为输出 num_size = 0.8; % 训练集占数据集比例 num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征长度 %% 训练集和测试集,作为绘图用 PP_train = res(1: num_train_s, 1: f_)'; TT_train = res(1: num_train_s, f_ + 1: end)'; PP_test = res(num_train_s + 1: end, 1: f_)'; TT_test = res(num_train_s + 1: end, f_ + 1: end)'; f_=size(PP_train, 1); % 输入特征维度 outdim = 1; % 最后一列为输出 %% 训练集和测试集 M = size(PP_train, 2); N = size(PP_test, 2); %% VMD分解 s = result(:,end); alpha = 2000; % moderate bandwidth constraint：适度的带宽约束/惩罚因子 tau = 0; % noise-tolerance (no strict fidelity enforcement)：噪声容限（没有严格的保真度执行） K = 7; % modes：分解的模态数 DC = 0; % no DC part imposed：无直流部分 init = 1; % initialize omegas uniformly ：omegas的均匀初始化? tol = 1e-7; %--------------- Run actual VMD code:数据进行vmd分解--------------------------- [u, u_hat, omega] = VMD(s, alpha, tau, K, DC, init, tol); [m,~]=size(u); %程序中omega就是中心频率，k为多少，分解的个数就为几个， %omega就有几列，然后就每列的均值，程序里面有。 res1 = s'-sum(u,1);%res %% 分解重组VS原始图 figure for i=1:m subplot(m,1,i) plot(u(i,:),'b-','linewidth',1) ylabel(['IMF',num2str(i)]); end %% 分解完成 imf=u; %% VMD-LSTM预测 pre_result2=[]; pre_result1=[]; %% 对每个分量建模 for i=1:size(imf,1) disp(['对第',num2str(i),'个分量建模']) %% 数据分析 samples = length(imf); % 样本个数 kim = 3; % 延时步长（前面多行历史数据作为自变量） result1=[result(:,1:end-1)';imf(i,:)]'; zim = 1; % 跨zim个时间点进行预测 nim = size(result1, 2); %% 划分数据集 for i = 1: samples - kim - zim + 1 res(i, :) = [reshape(result1(i: i + kim - 1 , :)', 1, ... kim * nim), result1(i + kim , end)]; end %归一化 %% 数据集分析 size1 = 0.8; % 训练集占数据集比例 train_s = round(size1 * samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征长度 %% 训练集和测试集,作为绘图用 P1_train = res(1: num_train_s, 1: f_)'; T1_train = res(1: num_train_s, f_ + 1: end)'; P1_test = res(num_train_s + 1: end, 1: f_)'; T1_test = res(num_train_s + 1: end, f_ + 1: end)'; %% 划分训练集和测试集 m = size(P1_train, 2); n = size(P1_test, 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P1_train, 0, 1); p_test = mapminmax('apply', P1_test, ps_input); [t_train, ps_output] = mapminmax(T1_train, 0, 1); t_test = mapminmax('apply', T1_test, ps_output); %% 格式转换 for i = 1 : M vp_train{i, 1} = p_train(:, i); vt_train{i, 1} = t_train(:, i); end for i = 1 : N vp_test{i, 1} = p_test(:, i); vt_test{i, 1} = t_test(:, i); end %% 创建待优化函数 ObjFcn = @CostFunction; %% 优化参数设置 SearchAgents = 6; % 种群数量 Max_iterations = 6 ; % 迭代次数 lowerbound = [1e-10 0.0001 10 ];%三个参数的下限 upperbound = [1e-2 0.002 30 ];%三个参数的上限 dimension = 3;%数量，即要优化的BiLSTM参数个数 %% 优化BiLSTM [Best_score,Best_pos,Convergence_curve]=SSA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,ObjFcn) %% 得到最优参数 Best_pos(1,3) =round( Best_pos(1,3)); % 最佳隐藏层节点数 NumOfUnits = Best_pos(1,3); InitialLearnRate = Best_pos(1,2) % 最佳初始学习率 L2Regularization = Best_pos(1,1); % 最佳L2正则化系数 %% 创建网络， layers = [ ... sequenceInputLayer(size(P1_train,1)) % 输入层,即输入的特征变量个数 bilstmLayer(NumOfUnits) % bilstm层 reluLayer % Relu激活层 fullyConnectedLayer(outdim) % 全连接层 regressionLayer]; % 回归层 % 参数设置 options = trainingOptions('adam', ... % 优化算法Adam 'MaxEpochs', 100, ... % 最大训练次数 'GradientThreshold', 1, ... % 梯度阈值 'InitialLearnRate', InitialLearnRate, ... % 初始学习率 'LearnRateSchedule', 'piecewise', ... % 学习率调整 'LearnRateDropPeriod',80, ... % 训练次后开始调整学习率 'LearnRateDropFactor',0.2, ... % 学习率调整因子 'L2Regularization', L2Regularization, ... % 正则化参数 'ExecutionEnvironment', 'cpu',... % 训练环境 'Verbose', 0); % 关闭优化过程 % 'Plots', 'training-progress' % 画出曲线 %% 训练 net = trainNetwork(vp_train, vt_train, layers, options); %% 预测 t_sim1 = predict(net, vp_train); t_sim2 = predict(net, vp_test); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); T_sim1 = cell2mat(T_sim1); T_sim2 = cell2mat(T_sim2); T_sim1 = double(T_sim1'); T_sim2 = double(T_sim2'); pre_result1=[pre_result1;T_sim1]; pre_result2=[pre_result2;T_sim2]; end %% 各分量预测的结果相加 pre_value1=sum(pre_result1); pre_value2=sum(pre_result2); %% 变量换算 T_sim1=pre_value1; T_sim2=pre_value2; T_train=TT_train; T_test=TT_test; %% 均方根误差 error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N); %% 绘图 figure plot(1: M, TT_train, '-b','linewidth',1) hold on plot(1: M, T_sim1,'-r','linewidth',1) legend('真实值','VMD-SSA-BILSTM预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; title(string) xlim([1, M]) grid figure plot(1: N, TT_test, '-r','linewidth',1) hold on plot(1: N, T_sim2,'-b','linewidth',1) legend('真实值','VMD-SSA-BILSTM预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比';['RMSE=' num2str(error2)]}; title(string) xlim([1, N]) grid %% 相关指标计算 % R2 R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2; R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2; disp(['训练集数据的R2为：', num2str(R1)]) disp(['测试集数据的R2为：', num2str(R2)]) % MAE mae1 = sum(abs(T_sim1 - T_train)) ./ M ; mae2 = sum(abs(T_sim2 - T_test)) ./ N ; disp(['训练集数据的MAE为：', num2str(mae1)]) disp(['测试集数据的MAE为：', num2str(mae2)]) % MBE mbe1 = sum(T_sim1 - T_train) ./ M ; mbe2 = sum(T_sim2 - T_test) ./ N ; disp(['训练集数据的MBE为：', num2str(mbe1)]) disp(['测试集数据的MBE为：', num2str(mbe2)]) %% 记录结果 save VMD-SSA-BILSTM结果/VMD-SSA-BILSTM T_test T_sim2