當前位置:網站首頁>基於粒子群優化的BP神經網絡(預測應用) - 附代碼

基於粒子群優化的BP神經網絡(預測應用) - 附代碼

2022-05-15 05:48:13智能算法研學社(Jack旭)

基於粒子群優化的BP神經網絡(預測應用) - 附代碼


摘要:本文主要介紹如何用粒子群算法優化BP神經網絡並應用於預測。

1.數據介紹

本案例數據一共2000組,其中1900組用於訓練,100組用於測試。數據的輸入為2維數據,預測的輸出為1維數據

3.PSO優化BP神經網絡

3.1 BP神經網絡參數設置

神經網絡參數如下:

%% 構造網絡結構
%創建神經網絡
inputnum = 2;     %inputnum  輸入層節點數 2維特征
hiddennum = 10;     %hiddennum  隱含層節點數
outputnum = 1;     %outputnum  隱含層節點數

3.2 粒子群算法應用

粒子群算法具體原理請參照網絡其他資源

粒子群算法的參數設置為:

popsize = 20;%種群數量
Max_iteration = 20;%最大迭代次數
lb = -5;%權值閾值下邊界
ub = 5;%權值閾值上邊界
%  inputnum * hiddennum + hiddennum*outputnum 為閾值的個數
%  hiddennum + outputnum 為權值的個數
dim =  inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;%  inputnum * hiddennum + hiddennum*outputnum維度

這裏需要注意的是,神經網絡的閾值數量計算方式如下:

本網絡有2層:

第一層的閾值數量為:2*10 = 20; 即inputnum * hiddennum;

第一層的權值數量為:10;即hiddennum;

第二層的閾值數量為:10*1 = 10;即hiddenum * outputnum;

第二層權值數量為:1;即outputnum;

於是可知我們優化的維度為:inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 41;

適應度函數值設定:

本文設置適應度函數如下:
f i t n e s s = a r g m i n ( m s e ( T r a i n D a t a E r r o r ) + m e s ( T e s t D a t a E r r o r ) ) fitness = argmin(mse(TrainDataError) + mes(TestDataError)) fitness=argmin(mse(TrainDataError)+mes(TestDataError))
其中TrainDataError,TestDataError分別為訓練集和測試集的預測誤差。mse為求取均方誤差函數,適應度函數錶明我們最終想得到的網絡是在測試集和訓練集上均可以得到較好結果的網絡。

4.測試結果:

從粒子群算法的收斂曲線可以看到,整體誤差是不斷下降的,說明粒子群算法起到了優化的作用:

請添加圖片描述

圖1 粒子群算法收斂曲線和誤差圖

5.Matlab代碼

版權聲明
本文為[智能算法研學社(Jack旭)]所創,轉載請帶上原文鏈接,感謝
https://cht.chowdera.com/2022/135/202205142241159168.html

隨機推薦