建设一个棋牌类网站抖音代运营多少钱一个月

建设一个棋牌类网站,抖音代运营多少钱一个月,那些网站可以注册域名,ps网页设计培训VMD-SVM-GWO#xff0c;基于变分模态分解的灰狼算法优化支持向量机的时间序列预测 直接从Excel中导入数据即可运行#xff0c;代码注释清晰#xff0c;适合初学者 在该框架下#xff0c;可实现 1#xff09;GWO算法的改进#xff08;领域搜索策略改进灰狼算法#xff0c…VMD-SVM-GWO基于变分模态分解的灰狼算法优化支持向量机的时间序列预测 直接从Excel中导入数据即可运行代码注释清晰适合初学者 在该框架下可实现 1GWO算法的改进领域搜索策略改进灰狼算法非线性映射改进 2基于差分算法DE鲸鱼算法WOA麻雀算法SSA、蜣螂算法等的SVM参数优化 3基于EMD、EMD、CEEMD的分解预测import pandas as pd from vmdpy import VMD # 从Excel读取数据记得把文件扔到同一目录 raw_data pd.read_excel(your_time_series.xlsx, headerNone).values.flatten() # VMD分解参数设置 alpha 2000 # 惩罚因子 tau 0.1 # 噪声容忍度 K 5 # 分解模态数 DC 0 # 是否包含直流分量 init 1 # 初始化方式 tol 1e-7 # 收敛阈值 # 执行VMD分解 imfs, _, _ VMD(raw_data, alpha, tau, K, DC, init, tol)这里有个坑要注意K值别设太大不然分解出的模态可能包含大量噪声。建议先用官方示例数据测试摸清规律再上真实数据。接下来是重头戏——灰狼算法优化SVM。咱们直接看GWO怎么和SVM参数对接from sklearn.svm import SVR def gwo_objective(params): C, gamma params model SVR(kernelrbf, CC, gammagamma) # 交叉验证代码略... return -val_score # 负值因为我们要最大化准确率 # GWO核心更新逻辑 def update_position(alpha_pos, beta_pos, delta_pos, current_pos): a 2 - iter*(2/max_iter) # 非线性收敛因子 A1 2*a*np.random.rand() - a C1 2*np.random.rand() D_alpha abs(C1*alpha_pos - current_pos) X1 alpha_pos - A1*D_alpha # 类似地更新X2,X3... return (X1X2X3)/3 # 位置加权平均重点来了传统GWO容易陷入局部最优咱们加个领域扰动策略# 在位置更新后增加扰动 if np.random.rand() 0.1: # 10%概率触发 new_pos current_pos 0.5*(np.random.randn()*(ub-lb)) new_pos np.clip(new_pos, lb, ub)预测阶段要特别注意模态重构顺序。这里有个实用技巧——动态权重分配# 对各IMF分量预测结果进行加权融合 dynamic_weights np.array([0.2, 0.3, 0.25, 0.15, 0.1]) # 需根据熵值计算调整 final_prediction np.sum(predictions * dynamic_weights, axis0)想换优化算法简单比如改用鲸鱼算法WOAdef woa_update(position, best_pos, a, b1): r np.random.rand() if r 0.5: # 包围猎物 D abs(2*r*best_pos - position) return best_pos - a*D else: # 气泡网攻击 D abs(best_pos - position) return D*np.exp(b)*np.cos(2*np.pi*b) best_pos对于不同分解方法建议封装成统一接口def decompose_signal(methodvmd, signalNone, **kwargs): if method vmd: return VMD(signal, **kwargs) elif method ceemd: from PyEMD import CEEMDAN return CEEMDAN().ceemdan(signal) # 其他分解方法扩展...最后来个效果对比彩蛋plt.plot(test_data, label真实值) plt.plot(vmd_svm_gwo_pred, linestyle--, labelVMD-SVM-GWO) plt.plot(ceemd_ssa_pred, :, labelCEEMD-SSA) plt.legend() plt.title(不同算法预测效果对比) plt.show()注意几个实践要点数据归一化要放在分解前做IMF数量建议通过观察频谱确定参数搜索范围设置C取2^-5到2^15gamma取2^-15到2^3这个框架最大的优势是模块化设计想换哪个部分直接替换对应模块就行。比如今天想试试蜣螂算法只需要把优化器换成DBO类其他部分完全不用动