SSA-LSTM多输入分类预测 | 樽海鞘优化算法-长短期神经网络 | Matlab
目录
一、程序及算法内容介绍：
基本内容：
亮点与优势：
二、实际运行效果：
三、算法介绍：
四、完整程序下载：
一、程序及算法内容介绍：
基本内容：
-
本代码基于Matlab平台编译，将SSA(樽海鞘优化算法)与LSTM（长短期记忆神经网络）结合，进行多输入数据分类预测
-
输入训练的数据包含12个特征，1个响应值，即通过12个输入值预测1个输出值（多变量分类预测，个数可自行制定）
-
归一化训练数据，提升网络泛化性
-
通过SSA算法优化LSTM网络的学习率、神经元个数参数，记录下最优的网络参数
-
训练LSTM网络进行回归预测，实现更加精准的预测
-
迭代计算过程中，自动显示优化进度条，实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标，自动输出大量实验效果图片
亮点与优势：
-
注释详细，几乎每一关键行都有注释说明，适合小白起步学习
-
直接运行Main函数即可看到所有结果，使用便捷
-
编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码
-
所有数据均采用Excel格式输入，替换数据方便，适合懒人选手
-
出图详细、丰富、美观，可直观查看运行效果
-
附带详细的说明文档（下图），其内容包括：算法原理+使用方法说明
二、实际运行效果：
三、算法介绍：
樽海鞘群算法( salp swarm algorithm，SSA): 是Seyedali Mirjalili等于2017年提出的一种新型智能优化算法。该算法模拟了樽海鞘链的群体行为，是一种较新颖的群智能优化算法。每次迭代中，领导者指导追随者，以一种链式行为，向食物移动。移动过程中，领导者进行全局探索，而追随者则充分进行局部探索，大大减少了陷入局部最优的情况。
LSTM（Long Short-Term Memory）:是一种长短期记忆网络，是一种特殊的RNN（循环神经网络）。与传统的RNN相比，LSTM更加适用于处理和预测时间序列中间隔较长的重要事件。传统的RNN结构可以看做是多个重复的神经元构成的“回路”，每个神经元都接受输入信息并产生输出，然后将输出再次作为下一个神经元的输入，依次传递下去。这种结构能够在序列数据上学习短时依赖关系，但是由于梯度消失和梯度爆炸问题，RNN在处理长序列时难以达到很好的性能。
四、完整程序下载：
