【CEEMDAN-CNN-LSTM】完备集合经验模态分解-卷积神经长短时记忆神经网络研究（Python代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 完备集合经验模态分解原理

1.2 鲸鱼优化

1.3 LSTM

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述

参考文献：

1.1 完备集合经验模态分解原理

早期的 EMD 方法具有较强的自适应性，能够有效地分解时间序列；但是，算法在运算过程中

容易出现模态混叠现象。EEMD 分解方法的思想是：在原始信号中加入白噪声[16]，使极值点分布更均衡；最终分量在EMD 的基础上进行集成平均而得。但是，这种方法具有计算量大且重构时残留噪音大的缺陷。CEEMDAN 是 EEMD 的改进算法。该算法通过添加有限次数的自适应白噪声，解决了集合平均次数限制下的重构误差较大的问题。

1.2 鲸鱼优化

　在ＣＮＮ层后连接 LSTM的深度学习模型结合了两种神经网络的优点，既有ＣＮＮ强大的自主提取抽象信息的功能，又具有 LSTM神经网络的长期记忆功能。

　卷积神经网络（ＣＮＮ）主要是由输入层、卷积层、激活函数、池化层和全连接层构成。

卷积层是ＣＮＮ的核心层，卷积层的参数是由可学习的滤波器集合构成，其主要作用是进行特征提取，表达式为：

全连接层是对经过堆叠卷积、池化后的特征进行分类。全连接层是根据权重每个神经元反馈的比重不同，最后通过调整权重和网络得到分类的结果。

1.3 LSTM

长短时记忆( long-short term memory，LSTM) 神经网络是 Hochreiter 等提出的一种改进后的循环式神经网络，可有效解决循环式神经网络存在的梯度爆炸和阶段性梯度消失的问题。在传统

循环式神经网络基础上，在隐含层增设记忆模块，可使信息较长时间地储存和遗传，其结构如图 1

所示。

📚2 运行结果

......

Epoch 87/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2908e-04 - accuracy: 5.3677e-04 - val_loss: 9.1420e-06 - val_accuracy: 0.0000e+00
Epoch 88/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3659e-04 - accuracy: 5.3677e-04 - val_loss: 2.2255e-06 - val_accuracy: 0.0000e+00
Epoch 89/100
19/19 [==============================] - 0s 5ms/step - loss: 1.1987e-04 - accuracy: 5.3677e-04 - val_loss: 3.4974e-05 - val_accuracy: 0.0000e+00
Epoch 90/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2746e-04 - accuracy: 5.3677e-04 - val_loss: 9.6258e-05 - val_accuracy: 0.0000e+00
Epoch 91/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2758e-04 - accuracy: 5.3677e-04 - val_loss: 9.1996e-05 - val_accuracy: 0.0000e+00
Epoch 92/100
19/19 [==============================] - 0s 5ms/step - loss: 1.5623e-04 - accuracy: 5.3677e-04 - val_loss: 1.8761e-05 - val_accuracy: 0.0000e+00
Epoch 93/100
19/19 [==============================] - 0s 6ms/step - loss: 1.4421e-04 - accuracy: 5.3677e-04 - val_loss: 3.0035e-06 - val_accuracy: 0.0000e+00

Epoch 94/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4949e-04 - accuracy: 5.3677e-04 - val_loss: 2.6891e-04 - val_accuracy: 0.0000e+00
Epoch 95/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2961e-04 - accuracy: 5.3677e-04 - val_loss: 2.1525e-05 - val_accuracy: 0.0000e+00
Epoch 96/100
19/19 [==============================] - 0s 5ms/step - loss: 1.2142e-04 - accuracy: 5.3677e-04 - val_loss: 3.6751e-05 - val_accuracy: 0.0000e+00
Epoch 97/100
19/19 [==============================] - 0s 5ms/step - loss: 1.3616e-04 - accuracy: 5.3677e-04 - val_loss: 8.5641e-07 - val_accuracy: 0.0000e+00
Epoch 98/100
19/19 [==============================] - 0s 6ms/step - loss: 1.2854e-04 - accuracy: 5.3677e-04 - val_loss: 1.4613e-04 - val_accuracy: 0.0000e+00
Epoch 99/100
19/19 [==============================] - 0s 5ms/step - loss: 1.4222e-04 - accuracy: 5.3677e-04 - val_loss: 1.1871e-04 - val_accuracy: 0.0000e+00
Epoch 100/100
19/19 [==============================] - 0s 6ms/step - loss: 1.7137e-04 - accuracy: 5.3677e-04 - val_loss: 2.4105e-06 - val_accuracy: 0.0000e+00
65/65 [==============================] - 0s 1ms/step
16/16 [==============================] - 0s 1ms/step