首页 > 学术百科

GA-BP

%% 程序说明

% 主程序：ga_bp.m

% 适应度函数：gabpEval.m

% 编解码子函数：gadecod.m

% 使用前需安装gaot工具箱，上述三个文件需放在同一文件夹中且将该文件夹

% 设置为当前工作路径

% 运行程序时只需运行主程序ga_bp.m即可

% 此程序仅为示例，针对其他的问题，只需将数据修改即可，但需注意变量名

% 保持一致，尤其是全局变量修改时（在gadecod.m和gabpEval.m中也要修改）

% 版权归MATLAB中文论坛所有，转载请注明

%% 清除环境变量

杀夫

clear all

clc

warning off

nntwarn off

%% 声明全局变量

global p % 训练集输入数据

global t % 训练集输出数据

global R % 输入神经元个数

global S2 % 输出神经元个数

global S1 % 隐层神经元个数硝酸铯

global S % 编码长度

S1=12;

%% 导入数据

% 训练数据

DAY=xlsread('1.xlsx',1);

day=DAY';

day=day(:,2:end);

% 输入和输出样本

[m1,n1]=size(day);

%%%%%随机打乱矩阵的列，相当于随机进行样本排序nl变量长度，randperm（n1)产生长度为n的随机数列

day=day(:,randperm(n1));

A=day(m1,1:n1);

C=day(1:m1-1,1:n1);

%% 数据归一化

学院

[A1,ps] = mapminmax(A);

[A1,ps]=mapminmax(A,ps);

[C1,ps1] = mapminmax(C);

[C1,ps1]=mapminmax(C,ps1);

% 数据归一化

p=C1;

t=A1;

% 测试数据

k=xlsread('2.xlsx',1);

K=k';

K=K(:,2:end);

[m,n]=size(K);

%%%%%随机打乱矩阵的列，相当于随机进行样本排序numel(x)获得变量长度，randperm（n)产生长度为n的随机数列

K=K(:,randperm(n));

k1=K(1:m-1,1:n);

k2=K(m,1:n);

% 数据归一化

[kn,ps1]= mapminmax(k1,ps1);

%% BP神经网络

% 网络创建

net=newff(minmax(p),[S1,1],{'tansig','purelin'},'trainlm'); %%%S1为隐藏层的层数，7为输出层的层数，tansig为训练隐藏层数据的函数，purelin为训练输出层数据的函数

% 设置训练参数

% 网络训练

[net,tr]=train(net,p,t);

%BP仿真测试1 训练集精度

s_bp1=sim(net,p); % BP神经网络的仿真结果

sbp1=mapminmax('reverse',s_bp1,ps)

echo off

% E_bp1=s_bp1-t;

汪建设% M_bp1=sse(E_bp1)

% N_bp1=mse(E_bp1)

%BP 仿真测试2 预测集精度

s_bp2=sim(net,kn); % BP神经网络的仿真结果

sbp2=mapminmax('reverse',s_bp2,ps)

echo off

% E_bp2=s_bp2-t;

% M_bp2=sse(E_bp2)

% N_bp2=mse(E_bp2)

%% GA-BP神经网络

R=size(p,1);

S2=size(t,1);

S=R*S1+S1*S2+S1+S2;

aa=ones(S,1)*[-1,1];

popu=50; % 种规模

initPpp=initializega(popu,aa,'gabpEval'); % 初始化种

gen=100; % 遗传代数

% 调用GAOT工具箱，其中目标函数定义为gabpEval

%%%x为运行过程中发现的最佳解决方案，endpop最后的人，bPop最佳人口，trace遗传算法每一代最好的单元矩阵

[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1

e-6 1 1],'maxGenTerm',gen,...

'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);

% 绘均方误差变化曲线

figure(1)

plot(trace(:,1),1./trace(:,3),'r-');

hold on

plot(trace(:,1),1./trace(:,2),'b-');

xlabel('Generation');%%%%每一代

ylabel('Sum-Squared Error');%%%%误差平方和

% 绘制适应度函数变化

杜磊

figure(2)

plot(trace(:,1),trace(:,3),'r-');

hold on

plot(trace(:,1),trace(:,2),'b-');

xlabel('Generation');

阎健宏ylabel('Fittness');%%%%身体素质

% 计算最优的权值和阈值

[W1,B1,W2,B2,val]=gadecod(x);

net.IW{1,1}=W1;

net.LW{2,1}=W2;

net.b{1}=B1;

net.b{2}=B2;

% 利用新的权值和阈值进行训练

net=train(net,p,t);

%% GA_BP仿真测试1 训练集精度

s_ga1=sim(net,p); % BP神经网络的仿真结果

sga1=mapminmax('reverse',s_ga1,ps)

echo off

% E_ga1=s_ga1-t;

% M_ga1=sse(E_ga1)

% N_ga1=mse(E_ga1)

% GA_BP仿真测试预测集精度

s_ga2=sim(net,kn); %遗传优化后的仿真结果

sga2=mapminmax('reverse',s_ga2,ps)

echo off

% E_ga2=s_ga2-t;

% M_ga2=sse(E_ga2)

% N_ga2=mse(E_ga2)\

%%%%%将训练集和测试集的实际值和预测值输出到一个矩阵

BP1(1:n1,1)=A';BP1(1:n1,2)=sbp1';BP1(1:n,3)=k2';BP1(1:n,4)=sbp2';

GABP1(1:n1,1)=A';GABP1(1:n1,2)=sga1';GABP1(1:n,3)=k2';GABP1(1:n,4)=sga2';

%%%%%加入表头

% BP=dataset({BP1,'train','train_prediction','test','test_prediction'});

% GABP=dataset({GABP1,'train','train_prediction','test','test_prediction'});

xlswrite('BP.xlsx',BP1)

xlswrite('GA-BP.xlsx',GABP1)

本文发布于:2024-09-23 06:33:27，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/257860.html

上一篇：在51单片机中波特率的计算方法

下一篇：关于CAN总线的位时间同步段传播时间段相位缓冲段采样点

标签：训练数据函数

留言与评论（共有 0 条评论）