基于粒子群优化GRU神经网络的多输入回归分析，基于粒子群优化GRU网络多输入回归分析，基于粒子群优化GRU神经网络

目录
背影
摘要

LSTM的基本定义
LSTM实现的步骤
gru的原理
粒子群算法原理
粒子群优化GRU神经网络的多输入回归分析
结果分析
展望
参考论文

背影

传统的方法回归分析容易陷入局部最优准确率低，为提高精度，本文用粒子群优化GRU神经网络的多输入回归分析

摘要

LSTM原理，GRU原理，粒子群算法原理，MATALB编程粒子群优化GRU神经网络的多输入回归分析

LSTM的基本定义

LSTM是一种含有LSTM区块（blocks）或其他的一种类神经网络，文献或其他资料中LSTM区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。
图1底下是四个S函数单元，最左边函数依情况可能成为区块的input，右边三个会经过gate决定input是否能传入区块，左边第二个为input gate，如果这里产出近似于零，将把这里的值挡住，不会进到下一层。左边第三个是forget gate，当这产生值近似于零，将把区块里记住的值忘掉。第四个也就是最右边的input为output gate，他可以决定在区块记忆中的input是否能输出 。
图1 LSTM模型
图1 LSTM模型
LSTM有很多个版本，其中一个重要的版本是GRU（Gated Recurrent Unit），根据谷歌的测试表明，LSTM中最重要的是Forget gate，其次是Input gate&#