请尊重原创劳动成果
转载请注明本文链接
及文章作者：机器学习之心 点击阅读原文或复制以下链接到浏览器获取文章完整源码和数据： https:///o/bread/mbd-ZZaUlJpy 效果 
使用教程1 数据格式数据方便替换。 2 基本使用北方苍鹰算法NGO优化VMD，对其分解层数，惩罚因子数做优化，利用NGO优化算法确定其最佳参数，适应度函数为样本熵。 NGO-VMD北方苍鹰算法NGO优化VMD变分模态分解 可直接运行 分解效果好 适合作为创新点（Matlab完整源码和数据) 1.利用北方苍鹰算法算法优化vmd中的参数k、a，分解效果好，包含边际谱、频率图、收敛曲线等图，满足您的需求，使用者较少，适合作为创新点。 2.包含VMD超参数优化迭代过程图，凸显每次迭代过程的变化。 3.北方苍鹰算法(NGO)是一种新型的群智能优化算法，具有收敛速度快、寻优能力强等优点。 4.数据为excel数据，方便替换，运行主程序main即可，可直接运行matlab程序。 2 网络结构训练和测试
设置网络参数
function [Best_rime_rate,Best_rime,Convergence_curve,result]=RIME(N,Max_iter,lb,ub,dim,fobj)
fobj = @(x) fun(x,f,tau, DC, init, tol);[~,Target_pos,process] = NGO(pop,Max_iteration,lb,ub,dim,fobj);%优化函数 求K Alpha 熵值%_________________________________________________________________________%% NGO 北方苍鹰优化算法 %%_________________________________________________________________________%function [Score,Best_pos,NGO_curve,result]=NGO(Search_Agents,Max_iterations,Lowerbound,Upperbound,dimensions,fobj)tic
disp('PLEASE WAIT, The program is running.')
Lowerbound=ones(1,dimensions).*(Lowerbound); % 变量的下限Upperbound=ones(1,dimensions).*(Upperbound); % 变量的上限
X=[];X_new=[];fit=[];fit_new=[];NGO_curve=zeros(1,Max_iterations);
%%for i=1:dimensions X(:,i) = Lowerbound(i)+rand(Search_Agents,1).*(Upperbound(i) -Lowerbound(i)); % 初始种群endfor i =1:Search_Agents %L=X(i,:); fit(i)=fobj(X(i,:)); % 初始群体适应度评估 )end
disp('打印迭代次数');
完整代码注意： class
% @author : 机器学习之心
% 完整代码：https:///o/bread/mbd-ZZaUlJpy% @author : 机器学习之心
end
完属实不易，如果有用请留个赞叭~ 未经允许本代码请勿作商业用途！！！
|
