基于适应度相关算法优化的BP神经网络(预测应用) - 附代码

这篇具有很好参考价值的文章主要介绍了基于适应度相关算法优化的BP神经网络(预测应用) - 附代码。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

基于适应度相关算法优化的BP神经网络(预测应用) - 附代码


摘要:本文主要介绍如何用适应度相关算法优化BP神经网络并应用于预测。

1.数据介绍

本案例数据一共2000组,其中1900组用于训练,100组用于测试。数据的输入为2维数据,预测的输出为1维数据

2.适应度相关优化BP神经网络

2.1 BP神经网络参数设置

神经网络参数如下:

%% 构造网络结构
%创建神经网络
inputnum = 2;     %inputnum  输入层节点数 2维特征
hiddennum = 10;     %hiddennum  隐含层节点数
outputnum = 1;     %outputnum  隐含层节点数

2.2 适应度相关算法应用

适应度相关算法原理请参考:https://blog.csdn.net/u011835903/article/details/119946003

适应度相关算法的参数设置为:

popsize = 20;%种群数量
Max_iteration = 20;%最大迭代次数
lb = -5;%权值阈值下边界
ub = 5;%权值阈值上边界
%  inputnum * hiddennum + hiddennum*outputnum 为阈值的个数
%  hiddennum + outputnum 为权值的个数
dim =  inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;%  inputnum * hiddennum + hiddennum*outputnum维度

这里需要注意的是,神经网络的阈值数量计算方式如下:

本网络有2层:

第一层的阈值数量为:2*10 = 20; 即inputnum * hiddennum;

第一层的权值数量为:10;即hiddennum;

第二层的阈值数量为:10*1 = 10;即hiddenum * outputnum;

第二层权值数量为:1;即outputnum;

于是可知我们优化的维度为:inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 41;

适应度函数值设定:

本文设置适应度函数如下:
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分别为训练集和测试集的预测误差。mse为求取均方误差函数,适应度函数表明我们最终想得到的网络是在测试集和训练集上均可以得到较好结果的网络。

4.测试结果:

从适应度相关算法的收敛曲线可以看到,整体误差是不断下降的,说明适应度相关算法起到了优化的作用:

基于适应度相关算法优化的BP神经网络(预测应用) - 附代码,智能优化算法应用,机器学习,# BP神经网络,算法,神经网络,人工智能
基于适应度相关算法优化的BP神经网络(预测应用) - 附代码,智能优化算法应用,机器学习,# BP神经网络,算法,神经网络,人工智能
基于适应度相关算法优化的BP神经网络(预测应用) - 附代码,智能优化算法应用,机器学习,# BP神经网络,算法,神经网络,人工智能
基于适应度相关算法优化的BP神经网络(预测应用) - 附代码,智能优化算法应用,机器学习,# BP神经网络,算法,神经网络,人工智能
基于适应度相关算法优化的BP神经网络(预测应用) - 附代码,智能优化算法应用,机器学习,# BP神经网络,算法,神经网络,人工智能文章来源地址https://www.toymoban.com/news/detail-675443.html

5.Matlab代码

到了这里,关于基于适应度相关算法优化的BP神经网络(预测应用) - 附代码的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包