Press "Enter" to skip to content

【BP回归预测】基于matlab思维进化算法优化BP神经网络回归预测【含Matlab源码 2031期】

一、思维进化算法及BP神经网络简介

 

1 思维进化算法的选择与改进

 

深度学习与人工智能发展迅速,在疾病预测方面也起到至关重要的作用。通过对比Logistic回归模型和BP神经网络两种模型,并将模型预测结果与传统的Logistic回归模型预测结果进行分析发现,基于BP神经网络建立2型糖尿病预测模型较好,最终选择BP神经网络作为糖尿病并发症的预测模型[14]。

 

1.2 算法基本思路

 

在思维进化算法的解空间内,由于思维进化算法(mind evolutionary algorithm,MEA)可以记忆不止一代的进化信息,因此会随机产生不同规模大小的个体,根据这一特点可以在解空间中搜索出得分最高的、性能最好的临时个体和优胜个体。将得分最高的临时个体与优胜个体作为整个解空间的中心点,并在其周围产生和包裹一层层的新的个体。可以在整个解空间内进行子群体内部执行趋同操作,直至解空间的所有个体基本成熟后,并以该子群体中最优个体(即中心)的得分作为该子群体的得分。将整个解空间分为临时个体和优胜个体两个部分,因此其趋同与异化操作可以同时进行,互不影响和干扰,并可分别提高准确率,从而为改进BP神经网络的权值和阈值起到至关重要的作用。

 

2 思维进化算法优化BP神经网络

 

BP神经网络具有多层前馈神经网络,信号向前传播,误差反向传递,根据预测的误差实时调整网络的权值和阈值,进而使得预测值不断接近期望值。其训练过程如图1所示,主要包括以下步骤,首先对网格初始化,确定计算的初始权值和阈值,将样本数据输入至模型后,会计算出隐层各神经元的输入以及输出,接着计算输出层神经元的输入与输出,获取计算输出层和隐层的误差,根据误差值,对输出层进行修正,并且修改隐层的权值和阈值,判断迭代步数以及误差值是否满足设定值,进而决定是否终止训练。

 

图1 BP神经网络训练流程图

 

由以上步骤的分析,在算法中有两个关键的参数是神经网络初始的权值和阈值,这两个值可以决定算法的效率和预测精度,为了更好地确定BP神经网络中的权值和阈值,故引入思维进化算法对其展开研究。

 

思维进化算法的核心类似于人类思维的进化过程,是在遗传算法基础上衍生出来的新型进化算法,在保留遗传算法的基础啊上,提出新的“趋同”和“异化”两种新的操作算子,通过趋同、异化等操作,不断迭代使得预测值与期望值逐渐逼近。其基本流程如图2所示,在获取样本数据之后,算法会产生初始种群、优胜子种群以及临时子种群,之后子种群执行趋同操作,获取成熟的子群体,之后进行异化操作进而获取全局最优的个体,将此个体作为训练BP神经网络的初始权值和阈值,使得BP神经网络以更快的速率和精度获取预测值。

 

二、部分源代码

 

%% 清空环境变量

 

clear

 

clc

 

close all

 

warning off

 

%% 导入数据

 

load data

 

data=[attributes’ strength’];

 

% 输入数据

 

input =data(:,1:4)‘;

 

output=data(:,5)’;

 

% 随机生成训练集、测试集

 

k = randperm(size(input,2));

 

N = 24;

 

% 训练集

 

P_train=input(:,k(1:N));

 

T_train=output(k(1:N));

 

% 测试集

 

P_test=input(:,k(N+1:end));

 

T_test=output(k(N+1:end));

 

%% 归一化

 

% 训练集

 

[Pn_train,inputps] = mapminmax(P_train);

 

Pn_test = mapminmax(‘apply’,P_test,inputps);

 

% 测试集

 

[Tn_train,outputps] = mapminmax(T_train);

 

Tn_test = mapminmax(‘apply’,T_test,outputps);

 

%% 参数设置

 

popsize = 200; % 种群大小

 

bestsize = 5; % 优胜子种群个数

 

tempsize = 5; % 临时子种群个数

 

SG = popsize / (bestsize+tempsize); % 子群体大小

 

S1 = size(Pn_train,1); % 输入层神经元个数

 

S2 = 5; % 隐含层神经元个数

 

S3 = size(Tn_train,1); % 输出层神经元个数

 

iter = 10; % 迭代次数

 

%% 随机产生初始种群

 

initpop = initpop_generate(popsize,S1,S2,S3,Pn_train,Tn_train);

 

%% 产生优胜子群体和临时子群体

 

% 得分排序

 

[sort_val,index_val] = sort(initpop(:,end),‘descend’);

 

% 产生优胜子种群和临时子种群的中心

 

bestcenter = initpop(index_val(1:bestsize);

 

tempcenter = initpop(index_val(bestsize+1:bestsize+tempsize);

 

% 产生优胜子种群

 

bestpop = cell(bestsize,1);

 

for i = 1:bestsize

 

center = bestcenter(i,:);

 

bestpop{i} = subpop_generate(center,SG,S1,S2,S3,Pn_train,Tn_train);

 

end

 

% 产生临时子种群

 

temppop = cell(tempsize,1);

 

for i = 1:tempsize

 

center = tempcenter(i,:);

 

temppop{i} = subpop_generate(center,SG,S1,S2,S3,Pn_train,Tn_train);

 

end

 

while iter > 0

 

%% 优胜子群体趋同操作并计算各子群体得分

 

best_score = zeros(1,bestsize);

 

best_mature = cell(bestsize,1);

 

for i = 1:bestsize

 

best_mature{i} = bestpop{i}(1,:);

 

best_flag = 0; % 优胜子群体成熟标志(1表示成熟,0表示未成熟)

 

while best_flag == 0

 

% 判断优胜子群体是否成熟

 

[best_flag,best_index] = ismature(bestpop{i});

 

% 若优胜子群体尚未成熟,则以新的中心产生子种群

 

if best_flag == 0

 

best_newcenter = bestpop{i}(best_index,:);

 

best_mature{i} = [best_mature{i};best_newcenter];

 

bestpop{i} = subpop_generate(best_newcenter,SG,S1,S2,S3,Pn_train,Tn_train);

 

end

 

end

 

% 计算成熟优胜子群体的得分

 

best_score(i) = max(bestpop{i}(:,end));

 

end

 

% 绘图(优胜子群体趋同过程)

 

figure(1)

 

temp_x = 1:length(best_mature{1}(:,end))+5;

 

temp_y = [best_mature{1}(:,end);repmat(best_mature{1}(end),5,1)];

 

plot(temp_x,temp_y,‘b-o’)

 

hold on

 

temp_x = 1:length(best_mature{2}(:,end))+5;

 

temp_y = [best_mature{2}(:,end);repmat(best_mature{2}(end),5,1)];

 

plot(temp_x,temp_y,‘r-^’)

 

hold on

 

temp_x = 1:length(best_mature{3}(:,end))+5;

 

temp_y = [best_mature{3}(:,end);repmat(best_mature{3}(end),5,1)];

 

plot(temp_x,temp_y,‘k-s’)

 

hold on

 

temp_x = 1:length(best_mature{4}(:,end))+5;

 

temp_y = [best_mature{4}(:,end);repmat(best_mature{4}(end),5,1)];

 

plot(temp_x,temp_y,‘g-d’)

 

hold on

 

temp_x = 1:length(best_mature{5}(:,end))+5;

 

temp_y = [best_mature{5}(:,end);repmat(best_mature{5}(end),5,1)];

 

plot(temp_x,temp_y,‘m-*’)

 

legend(‘子种群1’,‘子种群2’,‘子种群3’,‘子种群4’,‘子种群5’)

 

xlim([1 10])

 

xlabel(‘趋同次数’)

 

ylabel(‘得分’)

 

title(‘优胜子种群趋同过程’)

 

%% 临时子群体趋同操作并计算各子群体得分
temp_score = zeros(1,tempsize);
temp_mature = cell(tempsize,1);
for i = 1:tempsize
    temp_mature{i} = temppop{i}(1,:);
    temp_flag = 0;                % 临时子群体成熟标志(1表示成熟,0表示未成熟)
    while temp_flag == 0
        % 判断临时子群体是否成熟
        [temp_flag,temp_index] = ismature(temppop{i});
        % 若临时子群体尚未成熟,则以新的中心产生子种群
        if temp_flag == 0
            temp_newcenter = temppop{i}(temp_index,:);
            temp_mature{i} = [temp_mature{i};temp_newcenter];
            temppop{i} = subpop_generate(temp_newcenter,SG,S1,S2,S3,Pn_train,Tn_train);
        end
    end
    % 计算成熟临时子群体的得分
    temp_score(i) = max(temppop{i}(:,end));
end
 % 绘图(临时子群体趋同过程)
figure(2)
temp_x = 1:length(temp_mature{1}(:,end))+5;
temp_y = [temp_mature{1}(:,end);repmat(temp_mature{1}(end),5,1)];
plot(temp_x,temp_y,'b-o')
hold on
temp_x = 1:length(temp_mature{2}(:,end))+5;
temp_y = [temp_mature{2}(:,end);repmat(temp_mature{2}(end),5,1)];
plot(temp_x,temp_y,'r-^')
hold on
temp_x = 1:length(temp_mature{3}(:,end))+5;
temp_y = [temp_mature{3}(:,end);repmat(temp_mature{3}(end),5,1)];
plot(temp_x,temp_y,'k-s')
hold on
temp_x = 1:length(temp_mature{4}(:,end))+5;
temp_y = [temp_mature{4}(:,end);repmat(temp_mature{4}(end),5,1)];
plot(temp_x,temp_y,'g-d')
hold on
temp_x = 1:length(temp_mature{5}(:,end))+5;
temp_y = [temp_mature{5}(:,end);repmat(temp_mature{5}(end),5,1)];
plot(temp_x,temp_y,'m-*')
legend('子种群1','子种群2','子种群3','子种群4','子种群5')
xlim([1 10])
xlabel('趋同次数')
ylabel('得分')
title('临时子种群趋同过程')
%% 异化操作
[score_all,index] = sort([best_score temp_score],'descend');
% 寻找临时子群体得分高于优胜子群体的编号
rep_temp = index(find(index(1:bestsize) > bestsize)) - bestsize;
% 寻找优胜子群体得分低于临时子群体的编号
rep_best = index(find(index(bestsize+1:end) < bestsize+1) + bestsize);
% 若满足替换条件
if ~isempty(rep_temp)
    % 得分高的临时子群体替换优胜子群体
    for i = 1:length(rep_best)
        bestpop{rep_best(i)} = temppop{rep_temp(i)};
    end
    % 补充临时子群体,以保证临时子群体的个数不变
    for i = 1:length(rep_temp)
        temppop{rep_temp(i)} = initpop_generate(SG,S1,S2,S3,Pn_train,Tn_train);
    end
else
    break;
end
%% 输出当前迭代获得的最佳个体及其得分
if index(1) < 6
    best_individual = bestpop{index(1)}(1,:);
else
    best_individual = temppop{index(1) - 5}(1,:);
end
iter = iter - 1;

 

end

 

三、运行结果

 

 

四、matlab版本及参考文献

 

1 matlab版本

 

2014a

 

2 参考文献

 

[1]韦哲,石栋栋,王能才,赵刚,王玉珍,石恒兵.基于思维进化算法优化的BP神经网络对糖尿病并发症的预测研究[J].中国医学装备. 2020,17(10)

 

[2]冯培存,魏正英,张育斌,张千,张磊,贾维兵.基于思维进化算法优化BP神经网络的温室甜瓜ET0预测研究[J].节水灌溉. 2019,(09)

 

3 备注

 

简介此部分摘自互联网,仅供参考,若侵权,联系删除

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注