Press "Enter" to skip to content

基于帝企鹅算法优化BP神经网络实现数据预测(Matlab代码实现)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

目录

 

4 Matlab代码及文章详细阅读

 

 

1 BP 神经网络

 

BP神经网络是一种反馈性神经网络,具有结构简单、调整参数少等优点,经常被用在模式识别以及数据压缩和预测等方面.基本的BP神经网络为三层网络结构,如图1所示.

 

BP算法的核心思想:使用梯度下降来搜索可能的权向量的假设空间,以找到最佳的拟合样例的权向量。具体而言,即利用损失函数,每次向损失函数负梯度方向移动,直到损失函数取得最小值。

 

或者说,反向传播算法,是根据损失函数,求出损失函数关于每一层的权值及偏置项的偏导数,也称为梯度,用该值更新初始的权值和偏置项,一直更新到损失函数取得最小值或是设置的迭代次数完成为止。以此来计算神经网络中的最佳的参数。

 

由此,正式介绍BP算法前,我们需要知道前向传播过程,确定网络的设计。为此先设定一个只有一层的神经网络,作为讲解。

 

 

 

详细知识点讲解见第4部分。

 

2  帝企鹅算法

 

帝企鹅优化算法(emperor penguin optimizer,EPO)是Gaurav 等提出的一种新型群智能优化算法,其思想是模拟帝企鹅群体冬天拥挤在一起取暖的行为进行寻优。Baliarsingh 等进一步将EPO算法用于求解多目标优化问题。Kumar 等将EPO算法用于处理图像分割问题。Jia等通过结合多项式变异、levy飞行及热交换操作策略改进帝企鹅优化算法。

 

由上述可知,帝企鹅算法已经被应用于优化工程设计、图像分割、特征选择以及资源调度等复杂问题,且具有较优的性能。详细知识点见第四部分。

 

本文构建了基于帝企鹅算法优化 BP(AFO-BP)神经网络的数据预测模型。使用AFO优化传统BP神经网络的初始参数,有助于解决BP神经网络易陷入局部最优,以及对模型初始连接权值、阈值选择敏感等缺点。

 

3 运行结果

 

 

 

 

4 Matlab代码及文章详细阅读

 

本文仅展现部分代码,全部代码及文章见: 正在为您运送作品详情

 

%%  基于帝企鹅算法优化BP神经网络实现数据预测
function [result]=myBP(option,data)
hiddenumber=data.hiddenumber;
inputnumber=data.inputnumber;
outputnumber=data.outputnumber;
S=data.S;
indexM=data.indexM;
N=data.N;
input_train=data.train_x0;
output_train=data.train_y0;
input_test=data.test_x0;
%新建bp神经网络
net0=newff(input_train',output_train',hiddenumber);
%net0.trainFcn='traingd';
net0.trainParam.epochs=50;%训练次数
net0.trainParam.lr=0.01;%学习率
net0.trainParam.goal=0.000001;
net0.trainParam.showWindow = false; % 不显示训练窗口
net0.trainParam.showCommandLine = false;% 命令行不显示结果
[net0,tr]=train(net0,input_train',output_train');
ygabptest=sim(net0,input_test');
ygabptest=mapminmax('reverse',ygabptest,option.ps_y);%预测数据反归一化
T2=mapminmax('reverse',data.test_y0',option.ps_y);%预测数据反归一化
fit=sum(sum((ygabptest-T2).^2));
result.net=net0;
result.ygabptest=ygabptest';
result.T2=T2;
ygabptrain=sim(net0,input_train');
ygabptrain=mapminmax('reverse',ygabptrain,option.ps_y);%预测数据反归一化
T1=mapminmax('reverse',data.train_y0',option.ps_y);%预测数据反归一化
result.ygabptrain=ygabptrain';
result.T1=T1;
end

 

5 参考文献

 

[1]李旭飞,王贞.求解约束优化问题的改进帝企鹅优化算法[J].计算机工程与设计,2021,42(03):703-710.

 

[2]刘湲,王芳.麻雀搜索算法优化BP神经网络的短期风功率预测[J].上海电机学院学报,2022,25(03):132-136.

 

6 写在最后

 

部分理论应用网络文献,如有侵权请联系删除。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。