基于蜣螂算法改进的LSTM分类算法-附代码

基于蜣螂算法改进的LSTM分类算法

文章目录 基于蜣螂算法改进的LSTM分类算法1.数据集2.LSTM模型3.基于蜣螂算法优化的RF4.测试结果5.Matlab代码 摘要：为了提高LSTM数据的分类预测准确率，对LSTM中的参数利用蜣螂搜索算法进行优化。

1.数据集

数据的来源是 UCI 数据库中的肿瘤数据。数据信息如下：

data.mat 的大小为569*32。

其中第2列为标签数据，包含两类标签。

第3列到最后一列为特征数据。

所以RF模型的数据输入维度为30;输出维度为1。

2.LSTM模型

LSTM请自行参考相关机器学习书籍。

3.基于蜣螂算法优化的RF

蜣螂搜索算法的具体原理参考博客： blog.csdn.net/u011835903/article/details/128280084

蜣螂算法的优化参数为 LSTM网路包含的隐藏单元数目,最大训练周期,分块尺寸,初始学习率,L2参数。适应度函数为LSTM对训练集和测试集的预测错误率，错误率越低越好。 f i n t e n e s s = e r r o r R a t e [ p r e d i c t ( t r a i n ) ] + e r r o r R a t e [ p r e d i c t ( t e s t ) ] finteness = errorRate[predict(train)] + errorRate[predict(test)] finteness=errorRate[predict(train)]+errorRate[predict(test)]

4.测试结果

数据划分信息如下： 训练集数量为500组，测试集数量为69组

蜣螂参数设置如下：

%% 定义蜣螂优化参数 pop=10; %种群数量 Max_iteration=10; % 设定最大迭代次数 dim = 5;%维度，即LSTM网路包含的隐藏单元数目,最大训练周期,分块尺寸,初始学习率,L2参数 lb = [2,2,2,10E-5,10E-6];%下边界 ub = [200,100,30,1,1];%上边界 fobj = @(x) fun(x,inputSize,numClasses,XTrain,YTrain,XTest,YTest);

---

DBO-LSTM优化得到的最优参数为： DBO-LSTM优化得到的隐藏单元数目为：61 DBO-LSTM优化得到的最大训练周期为：100 DBO-LSTM优化得到的BatchSize为：22 DBO-LSTM优化得到的InitialLearnRate为：0.00071093 DBO-LSTM优化得到的L2Regularization为：1.5619e-05

DBO-LSTM算法结果： 训练集准确率：0.95 测试集准确率：0.98551 LSTM算法结果： 训练集准确率：0.922 测试集准确率：0.95652

由于训练时间比教长，蜣螂的种群数量，和迭代次数设置的比较低，但是从结果来看，SSA-LSTM的结果比原始LSTM的更优。

5.Matlab代码