做海报推荐网站,开发区官网,淘宝联盟怎么建网站,直播软件排行榜【MATLAB第83期】基于MATLAB的LSTM代理模型的SOBOL全局敏感性运用
引言
在前面几期#xff0c;介绍了敏感性分析法#xff0c;本期来介绍lstm作为代理模型的sobol全局敏感性分析模型。 【MATLAB第31期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理回归问题MATLAB代…【MATLAB第83期】基于MATLAB的LSTM代理模型的SOBOL全局敏感性运用
引言
在前面几期介绍了敏感性分析法本期来介绍lstm作为代理模型的sobol全局敏感性分析模型。 【MATLAB第31期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理回归问题MATLAB代码实现(持续更新) 【MATLAB第32期】【更新中】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理分类问题MATLAB代码实现 【MATLAB第63期】基于MATLAB的改进敏感性分析方法IPCC拥挤距离与皮尔逊系数法结合实现回归与分类预测 【MATLAB第64期】【保姆级教程】基于MATLAB的SOBOL全局敏感性分析模型运用含无目标函数考虑代理模型
二、SOBOL无目标函数
1.解决思路
1针对简单线性数据及非线性数据用函数拟合得到公式随后思路与上面一致。 2无法拟合得到公式 即复杂非线性函数需要通过借用机器学习模型作为训练学习模型黑箱子模型 本文具体研究攻克第二种情况 有个前提模型拟合性较好对应数据较好 即训练学习模型 训练集和测试集拟合效果很棒。 如果拟合效果差SOBOL分析结果一定存在较大误差。
2.模型选择
1、选用libsvm模型作为代理模型 原因 1代理模型讲究运行效率快、精度高、模型简单 。libsvm符合以上情况仅有的两超参数c、g经验值结果普遍较好基本不用调参 。 2进行对比以bp为代表的神经网络模型因其机理中涉及随机初始的权值阈值等参数会让模型不够稳定。 3进行对比的rf随机森林模型 训练效果远差于bp /libsvm 且参数调整较为复杂。 4深度学习模型更适合大数据模型对于平时用的小数据传统模型不见得效果比深度模型差 其次深度学习运行时间、模型复杂程度调参难度等问题明显无法与传统方法相比 。
2、选用lstm模型作为代理模型** 1训练精度较高sobol误差更小结果更令人信服。 2收敛速度较慢。
3.数据设置常用的案例数据 103*8 前7列代表输入变量 最后1列代表因变量。
4.选用模型后几个点需要注意 1数据固定即训练样本/测试样本固定 所代表的模型评价才够稳定。
2使用固定算子函数代码神经网络代理模型是必要的 即开头代码为 rng default 或者rngM等 M根据实际测试效果确定。可固定输出结果保证运行结果一致。此一致代表此刻你打开的matlab 在不关闭情况下每次运行结果一致。跟matlab版本有关系统版本以及电脑有关。
3最为关键的一点 变量的上下限不能超过案例数据的上下限为了保证模型的普适性和有效性 比如案例数据的训练样本中 X1-X7的最小值为 [137 0 0 160 4.4 708 650] X1-X7的最大值为 [374 193 260 240 19 1049.90 902] 那么你的sobol序列生成的数据也只能在这个范围才能保证代理模型的有效性。 4生成样本的数量当然以多为好 但不能跟案例数据样本数量差距太大减少偶然性。 5代理模型效果以lstm为例
训练集数据的R2为0.98842 测试集数据的R2为0.97992 训练集数据的MAE为0.653 测试集数据的MAE为0.79625 训练集数据的MBE为0.12945 测试集数据的MBE为0.32146
个人认为训练集和测试集R2如果均大于0.95还是可以的评价指标好坏全凭主观意思。包括评价指标的选择不一定是R2R2更适合这样的波动的曲线 。
(6)保存模型所需要的变量
save lstmnet model ps_output ps_input
通过sobol生成样本进行仿真预测。 3.SOBOL模型分析
1sobol参数设置
%% 设定给定参数个数和各个参数的范围
D7;% 7个参数
MD*2;%
nPop80;% 采样点个数,跟训练样本数量大概一致
VarMin[137 0 0 160 4.4 708 650];%各个参数下限
VarMax[374 193 260 240 19 1049.90 902];%各个参数上限nPop200
2运行结果
敏感程度libsvm作为代理模型X4X3≈X1X7X6X5X2 敏感程度lstm作为代理模型X2X1X3X7X6X2X5 lstm总体来说与svm敏感性结果差异不大。
三、代码获取
其中lstm代理模型的目标函数加密不影响使用。 私信回复“83期”即可获取下载链接。
