【BP数据预测】基于matlab粒子群算法优化BP神经网络数据预测（多输入多输出）【含Matlab源码 1418期】

78 阅读 0 评论 52 点赞

我是靠谱客的博主可耐溪流，最近开发中收集的这篇文章主要介绍【BP数据预测】基于matlab粒子群算法优化BP神经网络数据预测（多输入多输出）【含Matlab源码 1418期】，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

⛄一、粒子群算法及BP神经网络简介

由于BP神经网络在应用过程中初始权值和阈值随机选取,容易出现局部收敛极小点,从而降低拟合效果,为了解决这个问题,采用PSO优化BP神经网络(PSO-BP)算法的初始权值和阈值,解决局部极小点问题,提高BP神经网络算法的预测精度。在PSO中,整个搜索空间的维数D。第i个粒子的位置见式(3)。
在这里插入图片描述

图2 PSO-BP的算法流程

⛄二、部分源代码

%粒子群优化多输入多输出BP神经网络代码
clear
clc
tic
global SamIn SamOut HiddenUnitNum InDim OutDim TrainSamNum
%% 导入训练数据
data = xlsread(‘data.xlsx’);
[data_m,data_n] = size(data);%获取数据维度

P = 80; %百分之P的数据用于训练，其余测试
Ind = floor(P * data_m / 100);

train_data = data(1:Ind,1:4)‘;
train_result = data(1:Ind,6:7)’;

%% 初始化参数
[InDim,TrainSamNum] = size(train_data);% 学习样本数量
[OutDim,TrainSamNum] = size(train_result);
HiddenUnitNum = 8; % 隐含层神经元个数

[SamIn,PS_i] = mapminmax(train_data,0,1); % 原始样本对（输入和输出）初始化
[SamOut,PS_o] = mapminmax(train_result,0,1);

W1 = HiddenUnitNumInDim; % 初始化输入层与隐含层之间的权值
B1 = HiddenUnitNum; % 初始化输入层与隐含层之间的阈值
W2 = OutDimHiddenUnitNum; % 初始化输出层与隐含层之间的权值
B2 = OutDim; % 初始化输出层与隐含层之间的阈值
L = W1+B1+W2+B2; %粒子维度

%% *********初始化
M=100; %种群规模
%初始化粒子位置
X=rand(M,L);
c1=2; %学习因子
c2=2;
wmax=0.9;%最大最小惯性权重

v=zeros(M,L);%初始化速度
%*******全局最优粒子位置初始化
fmin=inf;
for i=1:M

if fx<fmin
    fmin=fx;
    gb=X(i,:);
end

end
%********粒子个体历史最优位置初始化
pb=X;
%********算法迭代
for t=1:Tmax
w(t)=wmax-(wmax-wmin)*t/Tmax; %线性下降惯性权重
for i=1:M
%***更新粒子速度
v(i,:)=w(t)v(i,:)+c1rand(1)(pb(i,:)-X(i,:))+c2rand(1)(gb-X(i,:));
if sum(abs(v(i,:)))>1e3
v(i,:)=rand(size(v(i,:)));
end
%*******更新粒子位置
X(i,:)=X(i,:)+v(i,:);
end
%更新pbest和gbest
for i=1:M

    end
    if f(X(i,:))<f(gb)
        gb=X(i,:);
    end
end
%保存最佳适应度
re(t)=f(gb);
fprintf('经%d次训练，误差为%f，用时%fsnn',t,f(gb),toc);
%可视化迭代过程
subplot(221)
plot(gb)
title('权阈值更新曲线')
hold on
subplot(222)
mesh(v)

plot(re,'r')
title('累计误差迭代曲线')
img =gcf;  %获取当前画图的句柄

print(img, ‘-dpng’, ‘-r600’, ‘./img4.png’) %即可得到对应格式和期望dpi的图像
%74-86会增加程序运行时间，注释掉可加快程序运行
end
x = gb;
W1 = x(1:HiddenUnitNum*InDim);

W1 = reshape(W1,[HiddenUnitNum, InDim]);
B1 = x(L1+1:L1+HiddenUnitNum)‘;
L2 = L1 + length(B1);
W2 = x(L2+1:L2+OutDim*HiddenUnitNum);
L3 = L2 + length(W2);
W2 = reshape(W2,[OutDim, HiddenUnitNum]);
B2 = x(L3+1:L3+OutDim)’;

%% 绘制结果
figure
plot(re,‘r’)
xlabel(‘迭代次数’)
ylabel(‘适应度’)
title(‘累计误差迭代曲线’)
img =gcf; %获取当前画图的句柄
print(img, ‘-dpng’, ‘-r600’, ‘./img1.png’) %即可得到对应格式和期望dpi的图像
figure
subplot(2,2,1);
plot(train_result(1,:), ‘r-')
hold on
plot(Forcast_data(1,:), ‘b-o’);
legend(‘真实值’,‘拟合值’)
title(‘第1个输出训练集拟合效果’)
subplot(2,2,2);
plot(test_result(1,:), 'r-’)
hold on
plot(Forcast_data_test(1,:), ‘b-o’);
legend(‘真实值’,‘预测值’)
title(‘第1个输出测试集预测效果’)
subplot(2,2,3);
stem(train_result(1,:) - Forcast_data(1,:))
title(‘第1个输出训练集误差’)
subplot(2,2,4);
stem(test_result(1,:) - Forcast_data_test(1,:))
title(‘第1个输出测试集误差’)
img =gcf; %获取当前画图的句柄
print(img, ‘-dpng’, ‘-r600’, ‘./img2.png’) %即可得到对应格式和期望dpi的图像
figure
subplot(2,2,1);
plot(train_result(2,:), ‘r-')
hold on
plot(Forcast_data(2,:), ‘b-o’);
legend(‘真实值’,‘拟合值’)
title(‘第2个输出训练集拟合效果’)
subplot(2,2,2);
plot(test_result(2,:), 'r-’)
hold on
plot(Forcast_data_test(2,:), ‘b-o’);
legend(‘真实值’,‘预测值’)
title(‘第2个输出测试集预测效果’)
subplot(2,2,3);
stem(train_result(2,:) - Forcast_data(2,:))
title(‘第2个输出训练集误差’)
subplot(2,2,4);
stem(test_result(2,:) - Forcast_data_test(2,:))
title(‘第2个输出测试集误差’)
img =gcf; %获取当前画图的句柄
print(img, ‘-dpng’, ‘-r600’, ‘./img3.png’) %即可得到对应格式和期望dpi的图像
toc