简介这套MATLAB源码实现WOA-BiLSTM鲸鱼算法优化的双向长短期记忆神经网络回归预测面向需要处理多输入单输出问题的科研人员、研究生和算法工程师。数据包含7个输入特征与1个输出变量算法自动优化隐含层节点数、最大训练代数、初始学习率等关键参数帮助快速建立高精度预测模型。压缩包共9个文件含4个m脚本、3个结果示意图、1个Excel数据集和1个docx说明文档整体仅189KB轻量易部署。其中m脚本覆盖初始化、目标函数、性能计算与主运行流程运行环境为MATLAB2018b及以上附带的说明文档和效果图便于对照验证。已有1010人学习下载适合作为回归预测领域的对照实验或算法优化入门参考。1. 从训练发散到预测失控回归任务为什么需要WOA-BiLSTM拿到一批多输入时序数据做回归预测时直接用LSTM往往能跑通但效果总差一口气。换个隐含节点数、调一下学习率验证集误差就明显变化等到换成BiLSTM可调的超参数更多手动试错的时间成本高到不现实。常见做法是先用鲸鱼算法WOA把隐含单元数、初始学习率、L2正则化系数、MiniBatchSize这些关键超参数跑一遍寻优再把最优组合喂给BiLSTM做训练。这个思路对做过深度学习时序预测的人来说解决的是“模型结构定了但参数全靠猜”的最后一公里问题。本文就用MATLAB把WOA-BiLSTM多输入单输出回归预测这条链路完整走一遍从网络结构设计、WOA寻优原理到训练代码和评估指标都能直接照着落地。适合谁看已经在用MATLAB跑深度学习模型但对超参数寻优不熟的人以及想复现BiLSTM回归预测但不想在命令行里反复试参数的工程师。不需要你有很强的优化算法基础但得知道trainNetwork的基本用法。2. BiLSTM在时序回归里的建模逻辑与WOA的寻优框架2.1 双向结构不是“两个LSTM”这么简单BiLSTM的核心思想是同时用正向和反向两个LSTM层处理输入序列。正向LSTM按时间顺序读取数据捕捉过去的依赖反向LSTM从序列尾部往前读捕捉未来信息对当前时刻的影响。在MATLAB里用bilstmLayer创建双向层底层等价于两个LSTM叠加后合并输出合并方式由ConcatenationMode控制默认concat是把两个方向的输出拼接在一起也可以改成sum或mul做逐元素合并。layers [ ... sequenceInputLayer(numFeatures) bilstmLayer(numHiddenUnits, OutputMode, last) fullyConnectedLayer(1) regressionLayer];numFeatures是多输入特征的维度numHiddenUnits是每个方向上LSTM的隐含单元数。注意OutputMode,last只返回最后一个时间步的输出适合做单输出回归如果要做序列到序列的预测才需要改成sequence。双向结构带来的收益并不是绝对的数据本身如果只存在前向因果关系反向传播的“未来信息”反而会引入噪声。这就是为什么需要WOA去搜合适的超参数而不是无脑把隐含节点数调大。2.2 鲸鱼算法的三种位置更新机制WOA模拟座头鲸的捕食行为核心是三种位置更新策略包围捕食、气泡网攻击和随机搜索猎物。整个种群中每条鲸鱼的位置就是一个候选解向量在BiLSTM的场景里解向量由[numHiddenUnits, InitialLearnRate, L2Regularization, MiniBatchSize]编码得到。包围捕食的公式是D |C .* X_best - X(t)| X(t1) X_best - A .* D其中A 2*a.*r - aC 2.*ra从2线性下降到0r是[0,1]的随机向量。气泡网攻击则用螺旋更新D |X_best - X(t)| X(t1) D .* exp(b.*l) .* cos(2.*pi.*l) X_best随机搜索猎物时不再参考最优个体而是随机选一条鲸鱼作为中心D |C .* X_rand - X(t)| X(t1) X_rand - A .* Dp是[0,1]的随机数。当p 0.5时按A的模长选择包围|A|1或随机搜索|A|1p 0.5时走螺旋更新。WOA的优点是参数少、实现简单没有遗传算法那么多算子也没有粒子群里的速度-位置耦合结构作为超参数寻优器在中小规模解空间内收敛速度可观。2.3 WOA与BiLSTM的结合点优化哪些超参数理论上可以优化很多超参数但实际工程中我一般只优化下面四个组合爆炸可控且对回归精度影响最直接优化变量搜索范围编码方式对BiLSTM的影响numHiddenUnits10~200线性取整模型容量太小欠拟合太大过拟合且训练慢InitialLearnRate1e-4~1e-2对数均匀采样收敛速度与稳定性过大训练发散过小收敛慢L2Regularization1e-5~1e-1对数均匀采样正则力度控制权重幅值防过拟合MiniBatchSize16~128 且为2的幂2的幂次取整梯度估计噪声与训练速度影响收敛轨迹% WOA位置向量映射为训练参数 numHidden round(pos(1)); learnRate 10^(pos(2)); % pos(2)存放的是指数 l2Reg 10^(pos(3)); miniBatch 2^round(pos(4));代码里pos是归一化到[0,1]区间的位置向量第二维和第三维搜的是指数目的是让学习率在1e-4和1e-2之间的对数尺度上均匀分布。对数映射非常关键如果直接线性采样1e-4到1e-2大部分随机点会落在1e-3以下小学习率区域过密算法很难有效探索较大学习率空间。同理L2正则也是如此。MiniBatchSize用2的幂次取整是为了充分利用MATLAB的底层矩阵运算优化。3. MATLAB里一步步搭出WOA-BiLSTM回归预测的主体代码3.1 数据预处理多输入特征如何对齐单输出标签多输入单输出的回归预测数据格式一般是每行一个样本前N列是特征最后一列是目标值。时序回归里样本之间还可能存在时间相关性但WOA寻优阶段为了方便通常把数据打平成普通回归矩阵处理。% 读取数据X为特征矩阵Y为目标列向量 data readmatrix(dataset.xlsx); X data(:, 1:end-1); Y data(:, end); % 归一化到[0,1]注意保留归一化参数便于反归一化 [X_norm, X_ps] mapminmax(X, 0, 1); [Y_norm, Y_ps] mapminmax(Y, 0, 1); X_norm X_norm; Y_norm Y_norm;mapminmax按行处理所以输入要转置成“特征×样本”的格式。归一化参数X_ps和Y_ps必须保存下来预测完还要用mapminmax(reverse, ...)把结果映射回原始量纲。这一步容易漏漏了之后R2再高也没有实际意义画图和工程部署全都对不上。缺失值要提前处理常见做法是fillmissing(data, linear)但注意这会把异常点也一起平滑掉数据清洗阶段尽量单独做不要混在归一化代码里。3.2 定义BiLSTM网络结构与训练参数网络主体用bilstmLayer搭建关键选项有三个OutputMode决定输出粒度NumUnits是隐含节点数ActivationFunction默认tanh不必改。回归任务最后一层接fullyConnectedLayer(1)和regressionLayer。训练参数中ValidationData用于监控验证集损失OutputFcn可以设置早停回调但WOA寻优阶段一般不用早停方便每次评估都在统一的迭代次数下比较。% 构建BiLSTM网络 numFeatures size(X_norm, 2); layers [ ... sequenceInputLayer(numFeatures) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) % 防过拟合固定0.2即可不作为优化变量 fullyConnectedLayer(1) regressionLayer]; % 训练选项 options trainingOptions(adam, ... MaxEpochs, 150, ... InitialLearnRate, learnRate, ... L2Regularization, l2Reg, ... MiniBatchSize, miniBatch, ... Verbose, 0, ... Plots, none);dropoutLayer(0.2)放在BiLSTM和全连接层之间防止隐含节点数搜到大值时过拟合。WOA寻优过程中每一代都要训练一次网络训练日志和图像输出务必关掉否则几百次评估会让MATLAB卡到没脾气。3.3 WOA主循环位置编码、适应度评估与边界处理适应度函数定义为验证集上的均方根误差RMSE候选超参数训练完网络后计算验证集预测误差作为鲸鱼个体的适应度误差越低代表该组超参数质量越高。主循环如下% 参数设置 dim 4; % 优化维度 超参数个数 lb [10, -4, -5, 4]; % 隐含节点下限10学习率指数下限-4L2指数下限-5batch指数下限4 ub [200, -2, -1, 7]; % 上限对应2001e-20.1128 MaxIter 30; SearchAgents 10; % 初始化种群 Positions rand(SearchAgents, dim) .* (ub - lb) lb; fitness inf(SearchAgents, 1); [~, bestIdx] min(fitness); Leader_pos Positions(1, :); Leader_score inf; % 迭代 for t 1:MaxIter a 2 - 2*t/MaxIter; for i 1:SearchAgents % 边界反射修正避免参数越界 Flag4ub Positions(i,:) ub; Flag4lb Positions(i,:) lb; Positions(i,:) (Positions(i,:).*(~(Flag4ubFlag4lb))) ub.*Flag4ub lb.*Flag4lb; % 计算当前个体适应度 fitness(i) BiLSTMTrainFcn(Positions(i,:), X_train, Y_train, X_val, Y_val); if fitness(i) Leader_score Leader_score fitness(i); Leader_pos Positions(i, :); end end % 更新种群位置 for i 1:SearchAgents r1 rand(); r2 rand(); A 2*a*r1 - a; C 2*r2; p rand(); l -1 2*rand(); if p 0.5 if abs(A) 1 D abs(C .* Leader_pos - Positions(i,:)); Positions(i,:) Leader_pos - A .* D; else rand_idx randi(SearchAgents); X_rand Positions(rand_idx, :); D abs(C .* X_rand - Positions(i,:)); Positions(i,:) X_rand - A .* D; end else D abs(Leader_pos - Positions(i,:)); Positions(i,:) D .* exp(2*l) .* cos(2*pi*l) Leader_pos; end end endBiLSTMTrainFcn接收一组超参数和训练/验证数据内部完成网络构建、训练和验证集RMSE计算。边界处理用的是反射修正把越界维度直接拉回边界值比随机重置更稳妥收敛速度也更快。a从2线性降到0前期搜索范围大后期收敛到最优个体附近。WOA对种群大小不敏感10个个体、30次迭代足够解决这个四维问题总共300次训练。如果换成遗传算法这一规模下要么种群更大要么迭代更多整体计算成本反而更高。3.4 集成训练把超参数传入trainNetworkBiLSTMTrainFcn内部实现如下是整个寻优流程的执行核心function rmse BiLSTMTrainFcn(pos, X_train, Y_train, X_val, Y_val) numHidden round(pos(1)); learnRate 10^pos(2); l2Reg 10^pos(3); miniBatch 2^round(pos(4)); % 输入格式转换MATLAB深度学习要求观测值沿第一维 XTrain num2cell(X_train, 2); YTrain num2cell(Y_train, 2); XValidation num2cell(X_val, 2); YValidation num2cell(Y_val, 2); layers [ ... sequenceInputLayer(size(X_train, 2)) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... MaxEpochs, 150, ... InitialLearnRate, learnRate, ... L2Regularization, l2Reg, ... MiniBatchSize, miniBatch, ... ValidationData, {XValidation, YValidation}, ... Verbose, 0, ... Plots, none); net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XValidation, MiniBatchSize, miniBatch); YPred cell2mat(YPred); rmse sqrt(mean((YPred - Y_val).^2)); endnum2cell(X_train, 2)把每一行转成一个单元数组元素这是sequenceInputLayer的标准输入格式。predict返回的也是单元数组需要对每个序列的输出做拼接。WOA跑完以后取Leader_pos映射成超参数重新在完整训练集上训练一次再在测试集上评估得到最终的模型和预测曲线。4. 把WOA-BiLSTM跑起来数据划分、结果对比与参数选型4.1 数据集划分训练集/验证集/测试集切分策略时序回归的数据切分容易踩坑。随机打乱再切分会把时间依赖破坏掉常见做法是保持原始顺序直接用cveck切分或用固定比例切片% 按时间顺序切分前70%训练中间15%验证最后15%测试 numSamples size(X_norm, 1); trainEnd floor(0.7 * numSamples); valEnd floor(0.85 * numSamples); X_train X_norm(1:trainEnd, :); Y_train Y_norm(1:trainEnd); X_val X_norm(trainEnd1:valEnd, :); Y_val Y_norm(trainEnd1:valEnd); X_test X_norm(valEnd1:end, :); Y_test Y_norm(valEnd1:end);这样划分后WOA在验证集上选最优参数最后在测试集上给出客观精度。有人会把验证集省掉直接把训练集误差作为适应度这基本都会导致过拟合因为网络对训练集的拟合能力太强。验证集和测试集分开的意义在于验证集参与了选参过程测试集完全没有测试集误差才是模型真实泛化能力的估计。数据量少时可以用K折交叉验证但WOA本身就有随机性再叠加K折会让整体计算时间成倍上涨实际中我通常只做单次划分除非数据样本低于几百条。4.2 结果怎么看损失曲线、预测图和误差分布WOA寻优结束后用最优参数训练最终模型然后对测试集做预测和反归一化% 最优参数 bestNumHidden round(Leader_pos(1)); bestLR 10^Leader_pos(2); bestL2 10^Leader_pos(3); bestBatch 2^round(Leader_pos(4)); % 重新训练并预测 netFinal trainNetwork(XTrain, YTrain, layers, options); YPredCell predict(netFinal, XTestCell, MiniBatchSize, bestBatch); YPred cell2mat(YPredCell); YPredRaw mapminmax(reverse, YPred, Y_ps); YTestRaw mapminmax(reverse, Y_test, Y_ps); % 计算指标 RMSE sqrt(mean((YPredRaw - YTestRaw).^2)); MAE mean(abs(YPredRaw - YTestRaw)); R2 1 - sum((YPredRaw - YTestRaw).^2) / sum((YTestRaw - mean(YTestRaw)).^2); fprintf(RMSE%.4f, MAE%.4f, R2%.4f\n, RMSE, MAE, R2);每次训练前固定随机种子否则同一组超参数跑两次结果会因权重初始化不同而波动。rng(42); % 固定全局随机种子验证集或测试集上的RMSE波动超过10%时说明数据量太小或模型对这个数据集不稳定应优先增大训练数据比例而不是继续调参。误差分析上绘制预测值vs真实值的散点图点越贴在对角线上说明线性拟合越好绘制误差直方图看是否有长尾如果尾部很重说明存在个别极难预测的样本需要回头检查特征工程而不是继续磨超参数。4.3 和三组基线对比LSTM、BiLSTM、WOA-LSTM评估WOA优化的效果必须设置对照组。最简单有效的对比方案是模型超参数来源预期结果LSTM手动配置测试集误差最大收敛最慢BiLSTM手动配置误差略低但仍依赖人工经验WOA-LSTMWOA寻优误差低于BiLSTM手动版验证搜索有效性WOA-BiLSTMWOA寻优误差最低双向结构优化双重收益手动配置的参考值按常见经验取隐含节点数64学习率0.001L2系数1e-4批量大小32。WOA-LSTM要把网络里的bilstmLayer换成lstmLayer其余流程完全一致。这样做完四组实验能清楚分辨精度提升来自WOA还是BiLSTM还是两者叠加。画对比图时把四条预测曲线叠在一张图上视觉差异往往比数值指标更直观预测曲线的相位滞后程度也一眼可见。5. 收敛慢、结果不稳定、预测值滞后WOA-BiLSTM的三个实用调试技巧5.1 用适应度曲线判断WOA参数该不该加WOA本身也有自己的超参数种群数量SearchAgents和迭代次数MaxIter。适应度曲线如果呈陡降后迅速平缓说明种群和迭代都够用如果曲线末端还在明显下降说明收敛未完成优先把MaxIter从30加到50而不是增加种群。只有曲线完全不动且最优值很差时才加种群到20。训练日志是另一个信息源Options里打开Verbose,1看前5个epoch的验证损失趋势如果loss直接发散到NaN说明Leader_pos给出的学习率搜索到了边界检查对数映射是否把指数取反了。5.2 预测值滞后一拍的成因与修正WOA-BiLSTM跑完预测曲线常见问题是峰谷滞后一拍动态指标看起来很高但曲线整体右移。这不是超参数能解决的而是输入形式决定的。sequenceInputLayer接受的每个样本如果是单个时间步的多维特征网络只能学到当前时刻特征到目标值的静态映射无法利用上下文信息。修正方案是构造滑动窗口样本把每个样本从1×N变成windowSize×N的时间窗再用sequenceInputLayer输入。窗口长度取5~10窗口越长能捕捉的时序依赖越强但样本数量会减少windowSize-1条。要检查滞后问题画predicted vs actual的时间序列图逐点对比峰的错位情况也可以在测试集上计算滞后1步的交叉相关判断最优滞后步数。5.3 用MATLAB并行工具箱缩短寻优时长WOA里每个个体的适应度评估相互独立天然适合并行。MATLAB里用parfor替换适应度循环即可加速但前置工作是先parpool开并行池并且要把训练数据和网络定义封装成函数避免大数组在worker间重复传输。去掉BiLSTMTrainFcn内部绘图和日志输出函数返回前彻底清理中间变量能有效减少内存占用。常用做法是把Plots设为noneVerbose设为0。如果机器有GPUtrainingOptions里设ExecutionEnvironment,autoMATLAB会自动检测GPU并加速训练。要注意的是并行池对内存的消耗按worker数成倍增加每个worker都会加载一份训练数据副本数据量大时优先减少parpool的worker数或者让每个worker串行计算多个个体再汇总。训练过程被系统中断时检查poolobj gcp的返回值和parpool的报告通常重启并行池就能解决。一个更轻量的加速方案是不开并行池而是把WOA的MaxIter减半、只观察前10次迭代的收敛趋势确认参数边界设置合理之后再跑完整流程。本文还有配套的精品资源点击获取 WOA-BiLSTM超参数优化与MATLAB时序回归预测实战
简介这套MATLAB源码实现WOA-BiLSTM鲸鱼算法优化的双向长短期记忆神经网络回归预测面向需要处理多输入单输出问题的科研人员、研究生和算法工程师。数据包含7个输入特征与1个输出变量算法自动优化隐含层节点数、最大训练代数、初始学习率等关键参数帮助快速建立高精度预测模型。压缩包共9个文件含4个m脚本、3个结果示意图、1个Excel数据集和1个docx说明文档整体仅189KB轻量易部署。其中m脚本覆盖初始化、目标函数、性能计算与主运行流程运行环境为MATLAB2018b及以上附带的说明文档和效果图便于对照验证。已有1010人学习下载适合作为回归预测领域的对照实验或算法优化入门参考。1. 从训练发散到预测失控回归任务为什么需要WOA-BiLSTM拿到一批多输入时序数据做回归预测时直接用LSTM往往能跑通但效果总差一口气。换个隐含节点数、调一下学习率验证集误差就明显变化等到换成BiLSTM可调的超参数更多手动试错的时间成本高到不现实。常见做法是先用鲸鱼算法WOA把隐含单元数、初始学习率、L2正则化系数、MiniBatchSize这些关键超参数跑一遍寻优再把最优组合喂给BiLSTM做训练。这个思路对做过深度学习时序预测的人来说解决的是“模型结构定了但参数全靠猜”的最后一公里问题。本文就用MATLAB把WOA-BiLSTM多输入单输出回归预测这条链路完整走一遍从网络结构设计、WOA寻优原理到训练代码和评估指标都能直接照着落地。适合谁看已经在用MATLAB跑深度学习模型但对超参数寻优不熟的人以及想复现BiLSTM回归预测但不想在命令行里反复试参数的工程师。不需要你有很强的优化算法基础但得知道trainNetwork的基本用法。2. BiLSTM在时序回归里的建模逻辑与WOA的寻优框架2.1 双向结构不是“两个LSTM”这么简单BiLSTM的核心思想是同时用正向和反向两个LSTM层处理输入序列。正向LSTM按时间顺序读取数据捕捉过去的依赖反向LSTM从序列尾部往前读捕捉未来信息对当前时刻的影响。在MATLAB里用bilstmLayer创建双向层底层等价于两个LSTM叠加后合并输出合并方式由ConcatenationMode控制默认concat是把两个方向的输出拼接在一起也可以改成sum或mul做逐元素合并。layers [ ... sequenceInputLayer(numFeatures) bilstmLayer(numHiddenUnits, OutputMode, last) fullyConnectedLayer(1) regressionLayer];numFeatures是多输入特征的维度numHiddenUnits是每个方向上LSTM的隐含单元数。注意OutputMode,last只返回最后一个时间步的输出适合做单输出回归如果要做序列到序列的预测才需要改成sequence。双向结构带来的收益并不是绝对的数据本身如果只存在前向因果关系反向传播的“未来信息”反而会引入噪声。这就是为什么需要WOA去搜合适的超参数而不是无脑把隐含节点数调大。2.2 鲸鱼算法的三种位置更新机制WOA模拟座头鲸的捕食行为核心是三种位置更新策略包围捕食、气泡网攻击和随机搜索猎物。整个种群中每条鲸鱼的位置就是一个候选解向量在BiLSTM的场景里解向量由[numHiddenUnits, InitialLearnRate, L2Regularization, MiniBatchSize]编码得到。包围捕食的公式是D |C .* X_best - X(t)| X(t1) X_best - A .* D其中A 2*a.*r - aC 2.*ra从2线性下降到0r是[0,1]的随机向量。气泡网攻击则用螺旋更新D |X_best - X(t)| X(t1) D .* exp(b.*l) .* cos(2.*pi.*l) X_best随机搜索猎物时不再参考最优个体而是随机选一条鲸鱼作为中心D |C .* X_rand - X(t)| X(t1) X_rand - A .* Dp是[0,1]的随机数。当p 0.5时按A的模长选择包围|A|1或随机搜索|A|1p 0.5时走螺旋更新。WOA的优点是参数少、实现简单没有遗传算法那么多算子也没有粒子群里的速度-位置耦合结构作为超参数寻优器在中小规模解空间内收敛速度可观。2.3 WOA与BiLSTM的结合点优化哪些超参数理论上可以优化很多超参数但实际工程中我一般只优化下面四个组合爆炸可控且对回归精度影响最直接优化变量搜索范围编码方式对BiLSTM的影响numHiddenUnits10~200线性取整模型容量太小欠拟合太大过拟合且训练慢InitialLearnRate1e-4~1e-2对数均匀采样收敛速度与稳定性过大训练发散过小收敛慢L2Regularization1e-5~1e-1对数均匀采样正则力度控制权重幅值防过拟合MiniBatchSize16~128 且为2的幂2的幂次取整梯度估计噪声与训练速度影响收敛轨迹% WOA位置向量映射为训练参数 numHidden round(pos(1)); learnRate 10^(pos(2)); % pos(2)存放的是指数 l2Reg 10^(pos(3)); miniBatch 2^round(pos(4));代码里pos是归一化到[0,1]区间的位置向量第二维和第三维搜的是指数目的是让学习率在1e-4和1e-2之间的对数尺度上均匀分布。对数映射非常关键如果直接线性采样1e-4到1e-2大部分随机点会落在1e-3以下小学习率区域过密算法很难有效探索较大学习率空间。同理L2正则也是如此。MiniBatchSize用2的幂次取整是为了充分利用MATLAB的底层矩阵运算优化。3. MATLAB里一步步搭出WOA-BiLSTM回归预测的主体代码3.1 数据预处理多输入特征如何对齐单输出标签多输入单输出的回归预测数据格式一般是每行一个样本前N列是特征最后一列是目标值。时序回归里样本之间还可能存在时间相关性但WOA寻优阶段为了方便通常把数据打平成普通回归矩阵处理。% 读取数据X为特征矩阵Y为目标列向量 data readmatrix(dataset.xlsx); X data(:, 1:end-1); Y data(:, end); % 归一化到[0,1]注意保留归一化参数便于反归一化 [X_norm, X_ps] mapminmax(X, 0, 1); [Y_norm, Y_ps] mapminmax(Y, 0, 1); X_norm X_norm; Y_norm Y_norm;mapminmax按行处理所以输入要转置成“特征×样本”的格式。归一化参数X_ps和Y_ps必须保存下来预测完还要用mapminmax(reverse, ...)把结果映射回原始量纲。这一步容易漏漏了之后R2再高也没有实际意义画图和工程部署全都对不上。缺失值要提前处理常见做法是fillmissing(data, linear)但注意这会把异常点也一起平滑掉数据清洗阶段尽量单独做不要混在归一化代码里。3.2 定义BiLSTM网络结构与训练参数网络主体用bilstmLayer搭建关键选项有三个OutputMode决定输出粒度NumUnits是隐含节点数ActivationFunction默认tanh不必改。回归任务最后一层接fullyConnectedLayer(1)和regressionLayer。训练参数中ValidationData用于监控验证集损失OutputFcn可以设置早停回调但WOA寻优阶段一般不用早停方便每次评估都在统一的迭代次数下比较。% 构建BiLSTM网络 numFeatures size(X_norm, 2); layers [ ... sequenceInputLayer(numFeatures) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) % 防过拟合固定0.2即可不作为优化变量 fullyConnectedLayer(1) regressionLayer]; % 训练选项 options trainingOptions(adam, ... MaxEpochs, 150, ... InitialLearnRate, learnRate, ... L2Regularization, l2Reg, ... MiniBatchSize, miniBatch, ... Verbose, 0, ... Plots, none);dropoutLayer(0.2)放在BiLSTM和全连接层之间防止隐含节点数搜到大值时过拟合。WOA寻优过程中每一代都要训练一次网络训练日志和图像输出务必关掉否则几百次评估会让MATLAB卡到没脾气。3.3 WOA主循环位置编码、适应度评估与边界处理适应度函数定义为验证集上的均方根误差RMSE候选超参数训练完网络后计算验证集预测误差作为鲸鱼个体的适应度误差越低代表该组超参数质量越高。主循环如下% 参数设置 dim 4; % 优化维度 超参数个数 lb [10, -4, -5, 4]; % 隐含节点下限10学习率指数下限-4L2指数下限-5batch指数下限4 ub [200, -2, -1, 7]; % 上限对应2001e-20.1128 MaxIter 30; SearchAgents 10; % 初始化种群 Positions rand(SearchAgents, dim) .* (ub - lb) lb; fitness inf(SearchAgents, 1); [~, bestIdx] min(fitness); Leader_pos Positions(1, :); Leader_score inf; % 迭代 for t 1:MaxIter a 2 - 2*t/MaxIter; for i 1:SearchAgents % 边界反射修正避免参数越界 Flag4ub Positions(i,:) ub; Flag4lb Positions(i,:) lb; Positions(i,:) (Positions(i,:).*(~(Flag4ubFlag4lb))) ub.*Flag4ub lb.*Flag4lb; % 计算当前个体适应度 fitness(i) BiLSTMTrainFcn(Positions(i,:), X_train, Y_train, X_val, Y_val); if fitness(i) Leader_score Leader_score fitness(i); Leader_pos Positions(i, :); end end % 更新种群位置 for i 1:SearchAgents r1 rand(); r2 rand(); A 2*a*r1 - a; C 2*r2; p rand(); l -1 2*rand(); if p 0.5 if abs(A) 1 D abs(C .* Leader_pos - Positions(i,:)); Positions(i,:) Leader_pos - A .* D; else rand_idx randi(SearchAgents); X_rand Positions(rand_idx, :); D abs(C .* X_rand - Positions(i,:)); Positions(i,:) X_rand - A .* D; end else D abs(Leader_pos - Positions(i,:)); Positions(i,:) D .* exp(2*l) .* cos(2*pi*l) Leader_pos; end end endBiLSTMTrainFcn接收一组超参数和训练/验证数据内部完成网络构建、训练和验证集RMSE计算。边界处理用的是反射修正把越界维度直接拉回边界值比随机重置更稳妥收敛速度也更快。a从2线性降到0前期搜索范围大后期收敛到最优个体附近。WOA对种群大小不敏感10个个体、30次迭代足够解决这个四维问题总共300次训练。如果换成遗传算法这一规模下要么种群更大要么迭代更多整体计算成本反而更高。3.4 集成训练把超参数传入trainNetworkBiLSTMTrainFcn内部实现如下是整个寻优流程的执行核心function rmse BiLSTMTrainFcn(pos, X_train, Y_train, X_val, Y_val) numHidden round(pos(1)); learnRate 10^pos(2); l2Reg 10^pos(3); miniBatch 2^round(pos(4)); % 输入格式转换MATLAB深度学习要求观测值沿第一维 XTrain num2cell(X_train, 2); YTrain num2cell(Y_train, 2); XValidation num2cell(X_val, 2); YValidation num2cell(Y_val, 2); layers [ ... sequenceInputLayer(size(X_train, 2)) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... MaxEpochs, 150, ... InitialLearnRate, learnRate, ... L2Regularization, l2Reg, ... MiniBatchSize, miniBatch, ... ValidationData, {XValidation, YValidation}, ... Verbose, 0, ... Plots, none); net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XValidation, MiniBatchSize, miniBatch); YPred cell2mat(YPred); rmse sqrt(mean((YPred - Y_val).^2)); endnum2cell(X_train, 2)把每一行转成一个单元数组元素这是sequenceInputLayer的标准输入格式。predict返回的也是单元数组需要对每个序列的输出做拼接。WOA跑完以后取Leader_pos映射成超参数重新在完整训练集上训练一次再在测试集上评估得到最终的模型和预测曲线。4. 把WOA-BiLSTM跑起来数据划分、结果对比与参数选型4.1 数据集划分训练集/验证集/测试集切分策略时序回归的数据切分容易踩坑。随机打乱再切分会把时间依赖破坏掉常见做法是保持原始顺序直接用cveck切分或用固定比例切片% 按时间顺序切分前70%训练中间15%验证最后15%测试 numSamples size(X_norm, 1); trainEnd floor(0.7 * numSamples); valEnd floor(0.85 * numSamples); X_train X_norm(1:trainEnd, :); Y_train Y_norm(1:trainEnd); X_val X_norm(trainEnd1:valEnd, :); Y_val Y_norm(trainEnd1:valEnd); X_test X_norm(valEnd1:end, :); Y_test Y_norm(valEnd1:end);这样划分后WOA在验证集上选最优参数最后在测试集上给出客观精度。有人会把验证集省掉直接把训练集误差作为适应度这基本都会导致过拟合因为网络对训练集的拟合能力太强。验证集和测试集分开的意义在于验证集参与了选参过程测试集完全没有测试集误差才是模型真实泛化能力的估计。数据量少时可以用K折交叉验证但WOA本身就有随机性再叠加K折会让整体计算时间成倍上涨实际中我通常只做单次划分除非数据样本低于几百条。4.2 结果怎么看损失曲线、预测图和误差分布WOA寻优结束后用最优参数训练最终模型然后对测试集做预测和反归一化% 最优参数 bestNumHidden round(Leader_pos(1)); bestLR 10^Leader_pos(2); bestL2 10^Leader_pos(3); bestBatch 2^round(Leader_pos(4)); % 重新训练并预测 netFinal trainNetwork(XTrain, YTrain, layers, options); YPredCell predict(netFinal, XTestCell, MiniBatchSize, bestBatch); YPred cell2mat(YPredCell); YPredRaw mapminmax(reverse, YPred, Y_ps); YTestRaw mapminmax(reverse, Y_test, Y_ps); % 计算指标 RMSE sqrt(mean((YPredRaw - YTestRaw).^2)); MAE mean(abs(YPredRaw - YTestRaw)); R2 1 - sum((YPredRaw - YTestRaw).^2) / sum((YTestRaw - mean(YTestRaw)).^2); fprintf(RMSE%.4f, MAE%.4f, R2%.4f\n, RMSE, MAE, R2);每次训练前固定随机种子否则同一组超参数跑两次结果会因权重初始化不同而波动。rng(42); % 固定全局随机种子验证集或测试集上的RMSE波动超过10%时说明数据量太小或模型对这个数据集不稳定应优先增大训练数据比例而不是继续调参。误差分析上绘制预测值vs真实值的散点图点越贴在对角线上说明线性拟合越好绘制误差直方图看是否有长尾如果尾部很重说明存在个别极难预测的样本需要回头检查特征工程而不是继续磨超参数。4.3 和三组基线对比LSTM、BiLSTM、WOA-LSTM评估WOA优化的效果必须设置对照组。最简单有效的对比方案是模型超参数来源预期结果LSTM手动配置测试集误差最大收敛最慢BiLSTM手动配置误差略低但仍依赖人工经验WOA-LSTMWOA寻优误差低于BiLSTM手动版验证搜索有效性WOA-BiLSTMWOA寻优误差最低双向结构优化双重收益手动配置的参考值按常见经验取隐含节点数64学习率0.001L2系数1e-4批量大小32。WOA-LSTM要把网络里的bilstmLayer换成lstmLayer其余流程完全一致。这样做完四组实验能清楚分辨精度提升来自WOA还是BiLSTM还是两者叠加。画对比图时把四条预测曲线叠在一张图上视觉差异往往比数值指标更直观预测曲线的相位滞后程度也一眼可见。5. 收敛慢、结果不稳定、预测值滞后WOA-BiLSTM的三个实用调试技巧5.1 用适应度曲线判断WOA参数该不该加WOA本身也有自己的超参数种群数量SearchAgents和迭代次数MaxIter。适应度曲线如果呈陡降后迅速平缓说明种群和迭代都够用如果曲线末端还在明显下降说明收敛未完成优先把MaxIter从30加到50而不是增加种群。只有曲线完全不动且最优值很差时才加种群到20。训练日志是另一个信息源Options里打开Verbose,1看前5个epoch的验证损失趋势如果loss直接发散到NaN说明Leader_pos给出的学习率搜索到了边界检查对数映射是否把指数取反了。5.2 预测值滞后一拍的成因与修正WOA-BiLSTM跑完预测曲线常见问题是峰谷滞后一拍动态指标看起来很高但曲线整体右移。这不是超参数能解决的而是输入形式决定的。sequenceInputLayer接受的每个样本如果是单个时间步的多维特征网络只能学到当前时刻特征到目标值的静态映射无法利用上下文信息。修正方案是构造滑动窗口样本把每个样本从1×N变成windowSize×N的时间窗再用sequenceInputLayer输入。窗口长度取5~10窗口越长能捕捉的时序依赖越强但样本数量会减少windowSize-1条。要检查滞后问题画predicted vs actual的时间序列图逐点对比峰的错位情况也可以在测试集上计算滞后1步的交叉相关判断最优滞后步数。5.3 用MATLAB并行工具箱缩短寻优时长WOA里每个个体的适应度评估相互独立天然适合并行。MATLAB里用parfor替换适应度循环即可加速但前置工作是先parpool开并行池并且要把训练数据和网络定义封装成函数避免大数组在worker间重复传输。去掉BiLSTMTrainFcn内部绘图和日志输出函数返回前彻底清理中间变量能有效减少内存占用。常用做法是把Plots设为noneVerbose设为0。如果机器有GPUtrainingOptions里设ExecutionEnvironment,autoMATLAB会自动检测GPU并加速训练。要注意的是并行池对内存的消耗按worker数成倍增加每个worker都会加载一份训练数据副本数据量大时优先减少parpool的worker数或者让每个worker串行计算多个个体再汇总。训练过程被系统中断时检查poolobj gcp的返回值和parpool的报告通常重启并行池就能解决。一个更轻量的加速方案是不开并行池而是把WOA的MaxIter减半、只观察前10次迭代的收敛趋势确认参数边界设置合理之后再跑完整流程。本文还有配套的精品资源点击获取