System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光子器件,具体涉及一种基于增强灰狼优化算法的一维cnn+lstm(1d cnn-lstm)模型的光子晶体光纤预测方法。
技术介绍
1、光子晶体光纤作为一种新型的微结构光纤,其由恒定周期的微小孔阵列沿纤芯轴向引入,从而实现光的局域化和禁带效应。光子晶体光纤具备许多独特的光学特性,如无截止单模特性以及色散可调等,在光通信、光子器件、光传感等领域显示出了广阔的应用前景。
2、为了设计出性能更优的光子晶体光纤,需要建立精确的光子晶体光纤性能预测模型。当前主流的建模方法包括有限元分析等数值模拟方法,但计算量巨大;此外还有基于机器学习的建模方法,但其预测精度仍有很大改进空间。基于1d cnn的模型能有效提取光子晶体的周期性特征,而lstm模型擅长处理时序数据,将两者组合可以提高对光子晶体光纤性能参数的建模能力。然而,这两个模型的训练难度较大,对网络超参数敏感,直接采用默认超参数进行建模效果较差,而手工调节超参数耗时费力,效果不佳。
技术实现思路
1、鉴于当前神经网络模型的超参数优化研究中,简单的网格搜索等暴力搜索算法时间和计算成本高。为实现高效、稳定的1d cnn-lstm超参数优化,本专利技术提供一种基于增强灰狼优化算法的光子晶体光纤预测方法,该方法提供了一种高效的超参数优化算法,以期获得更优的光子晶体光纤预测模型。
2、本专利技术提供一种基于增强灰狼优化算法的光子晶体光纤预测方法,所述方法包括:
3、s1:建立用于光子晶体光纤参数预测的1d
4、s2:构建增强灰狼优化算法模型;
5、s3:利用所述增强灰狼优化算法实现对光子晶体光纤参数预测的1d cnn-lstm模型自动调整超参数,以实现超参数优化;
6、s4:利用优化后的1d cnn-lstm模型实现光子晶体光纤性能预测。
7、优选的,步骤s1具体包括:
8、s11:1d cnn-lstm模型的参数确定;
9、s12:初始化参数。
10、优选的,步骤s2具体包括:
11、s21:利用公式(1)所述的混沌映射生成高维的随机数序列,作为种群的初始位置;
12、
13、在这里,y代表灰狼的位置,h是混沌映射的参数。混沌映射的输出是一个介于0和1之间的实数。
14、s22:设置最大迭代次数,并进行迭代计算,计算适应度函数值,根据适应度值找到狼的位置;
15、s23:设置狼群个数m,根据改进后的公式(2)计算控制参数a(t)的值,以方便后续狼群位置计算:
16、
17、其中,p和q是两个常数,其中,p>q,fitavg、fitmin和fitmax分别表示适应度的平均值、最小值和最大值;
18、s24:在包围步骤中,在确定猎物的位置后,狼群首先需要包围猎物,我们可以使用公式(3)来描述这种行为:
19、
20、其中,a=a(t)×(2×r1-1),c=2×r2。请注意r1和r2都是0到1之间的随机数。xp(t)指的是第t次迭代之后狼群的最优解迭代,也是猎物的位置,x(t)是指第t次迭代后狼的位置,即潜在的解决方案,d表示灰狼和猎物之间的距离。
21、s25:在狩猎阶段,狼群跟随狼α,β和δ移动位置,计算下一时刻三只狼的位置,其位置更新公式如下:
22、
23、
24、其中,xα、xβ和xδ和分别表示当前种群中α,β以及δ个体的位置向量;dα、dβ和dδ表示当前候选灰狼与前三只狼之间的距离,c1、c2和c3是随机向量,x(t)是当前灰狼的值,xm1、xm2和xm3是用来更新狼群位置的中间变量,am1、am2和am3是随着迭代变化的向量;
25、s26:根据加权策略来更新狼群位置;
26、s27:根据维度学习的搜索策略,计算用于生成狼的新的候选解位置。
27、s28:选择和更新;
28、s29:根据设定的最大迭代次数和收敛条件,重复执行增强灰狼优化算法的迭代过程,即更新狼群位置并计算新的适应度值,判断是否达到收敛条件,当满足最大迭代次数或收敛条件时,迭代结束。
29、优选的,步骤s26具体包括:
30、基于加权策略的位置更新狼群位置对应的公式为:
31、
32、
33、其中,ε是一个扰动项,以防止分母为零,xmi(t),xmj(t)表示个体狼的位置,wmi(t)是距离权重,xg(t+1)是这一阶段的最终位置,是混乱扰动项,其中,f(·)是混沌映射函数,η是一个小的随机扰动因子。
34、优选的,步骤s27具体包括:
35、首先,使用公式(8)计算xm(t)和xg(t+1)之间的欧氏距离rm(t)。
36、rm(t)=||xm(t)-xg(t+1)|| (8)
37、然后,使用公式(9)计算狼群中与xm(t)距离不超过rm(t)的所有个体的集合am(t)。
38、am(t)={xf(t)|dm(xm(t),xf(t))≤rm(t),xf(t)∈pop} (9)
39、之后使用公式(10)计算狼的新位置。
40、xd(t+1)=xm,n(t)+rand×(xa,n(t)-xb,n(t)) (10)
41、在这个方程中,rand表示在[0,1]范围内的随机数,xm,n(t)表示当前迭代中第n维度中第m只狼的当前位置。xa,n(t)表示在am(t)中随机选择的一只狼的位置。xb,n(t)表示在整个狼群中随机选择的一只狼的位置。
42、优选的,步骤s28具体包括:
43、首先比较两个候选解的适应度值,选出适应度较小的候选解。然后再将该候选解与当前解进行比较,如果候选解的适应度更小,则将其作为下一轮迭代的当前解。
44、优选的,步骤s3具体包括:
45、s31:数据集预处理;
46、s32:数据集划分;
47、s33:采用步骤s1建立的1d cnn-lstm作为神经网络模型,对该模型的参数进行初始化。
48、本专利技术还提供一种基于增强灰狼优化算法的光子晶体光纤预测系统,所述系统包括:
49、模型构建模块:建立用于光子晶体光纤参数预测的1d cnn-lstm模型;构建增强灰狼优化算法模型;
50、优化模块:利用所述增强灰狼优化算法实现对光子晶体光纤参数预测的1d cnn-lstm模型自动调整超参数,以实现超参数优化;
51、预测模块:利用优化后的1d cnn-lstm模型实现光子晶体光纤预测。
52、本专利技术还提供一种电子设备,所述电子设备包括:
53、至少一个处理器;以及
54、与所述至少一个处理器通信连接的存储器;其中本文档来自技高网...
【技术保护点】
1.一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,所述方法,包括:
2.根据权利要求1所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S1具体包括:
3.根据权利要求1所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S2具体包括:
4.根据权利要求3所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S26具体包括:
5.根据权利要求3所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S27具体包括:
6.根据权利要求3所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S28具体包括:
7.根据权利要求1所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤S3具体包括:
8.一种基于增强灰狼优化算法的光子晶体光纤预测系统,其特征在于,所述系统包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所
...【技术特征摘要】
1.一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,所述方法,包括:
2.根据权利要求1所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤s1具体包括:
3.根据权利要求1所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤s2具体包括:
4.根据权利要求3所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤s26具体包括:
5.根据权利要求3所述的一种基于增强灰狼优化算法的光子晶体光纤预测方法,其特征在于,步骤s27具体包括:
6.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。