首页 > 编程语言 >【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测

【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测

时间：2023-07-29 17:01:52浏览次数：40  
标签：%% pop train BP Matlab inputnum net 优化 hiddennum



【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测（Excel可直接替换数据）

  • 1.模型原理
  • 2.数学公式
  • 3.文件结构
  • 4.Excel数据
  • 5.分块代码
  • 5.1 fun.m
  • 5.2 main.m
  • 6.完整代码
  • 6.1 fun.m
  • 6.2 main.m
  • 7.运行结果


1.模型原理

“基于粒子群优化算法优化BP神经网络的数据分类预测”是一种结合了粒子群优化算法（Particle Swarm Optimization, PSO）和BP神经网络进行数据分类预测任务的方法。PSO是一种全局优化算法，能够帮助BP神经网络更好地优化权重和偏置，从而提高分类预测性能。该方法通过优化BP神经网络的参数，使其能够更准确地将输入数据样本映射到相应的类别标签。

以下是“基于粒子群优化算法优化BP神经网络的数据分类预测”的原理：

  1. BP神经网络简介：
    BP神经网络是一种前向人工神经网络，由输入层、若干隐藏层和输出层组成。它通过前向传播计算输出，并通过反向传播算法来更新权重和偏置，以最小化预测值与真实值之间的误差。BP神经网络在数据分类预测问题中可以用于拟合非线性函数，并通过梯度下降法进行参数优化。
  2. 粒子群优化算法简介：
    PSO是一种群体智能优化算法，受到鸟群觅食行为的启发。在PSO中，个体被称为“粒子”，它们在搜索空间中移动，并通过学习社会最优和个体最优位置来更新自己的位置和速度。每个粒子维护两个向量：速度向量和位置向量，它们决定了粒子在搜索空间中的移动方向和距离。
  3. 基于粒子群优化的BP神经网络优化：
    在使用PSO优化BP神经网络时，我们将BP神经网络的权重和偏置作为待优化的参数。每个粒子表示一组可能的权重和偏置的取值，称为“粒子的位置”。PSO算法中的每个粒子都有一个适应度函数，用于评估其在数据分类预测任务中的表现。在这里，适应度函数可以是分类预测任务中的准确率或交叉熵损失函数。
  4. PSO算法流程：
    PSO算法的基本流程如下：
  • 初始化粒子群的位置和速度。
  • 计算每个粒子的适应度值（即BP神经网络在训练数据上的预测准确率或损失）。
  • 根据个体最优和全局最优位置更新粒子的速度和位置。
  • 重复上述步骤，直到满足停止条件（如达到最大迭代次数或达到预定的精度）。
  1. 优化过程：
    在优化过程中，每个粒子代表了一组BP神经网络的权重和偏置。它们根据自身的适应度和周围粒子的表现来更新自己的位置和速度，以寻找更优的权重和偏置组合。通过迭代优化，粒子逐渐趋向于全局最优解，从而找到了最优的BP神经网络权重和偏置组合，以提高数据分类预测的性能。
  2. 应用于数据分类预测：
    将PSO算法与BP神经网络结合应用于数据分类预测任务时，首先需要准备训练数据和测试数据。然后，利用PSO算法优化BP神经网络的权重和偏置，使其能够更好地拟合训练数据。最后，使用优化后的BP神经网络对测试数据进行预测，得到数据的分类结果。

通过以上的优化过程，基于粒子群优化算法优化BP神经网络的数据分类预测方法可以帮助BP神经网络更好地适应数据分类任务，提高预测准确率，并在实际应用中取得更好的分类性能。

2.数学公式

当然可以！在下面，我将详细介绍“基于粒子群优化算法优化BP神经网络的数据分类预测”的原理，并带上公式：

  1. BP神经网络部分：

假设我们有一个数据集 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据)，其中包含 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_02) 个样本： 【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_03，其中 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_04) 是第 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_05) 个样本的输入特征， (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_06) 是对应的标签。

在BP神经网络中，我们使用前向传播计算隐藏层和输出层的输出，然后使用反向传播算法来更新权重和偏置，以最小化预测值与真实值之间的误差。隐藏层和输出层的计算公式如下：

隐藏层的计算公式：
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_07
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据_08

输出层的计算公式：
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据_09
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据_10

其中，

  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_11) 是隐藏层的输出（隐藏状态），
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_12) 是输出层的输出（预测值），
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_13) 是输入到隐藏层的权重矩阵，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据_14) 是隐藏层到输出层的权重矩阵，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_15) 是隐藏层的偏置，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_16) 是输出层的偏置，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_17) 是激活函数（如sigmoid或tanh）。
  1. 粒子群优化算法部分：

在粒子群优化算法中，每个粒子代表一组可能的BP神经网络的权重和偏置，即一组解。这些粒子在搜索空间中移动，并通过学习社会最优和个体最优位置来更新自己的位置和速度。每个粒子维护两个向量：速度向量和位置向量，它们决定了粒子在搜索空间中的移动方向和距离。

假设第 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_05) 个粒子在当前时刻的位置向量为 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_04)，速度向量为 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_20)，个体最优位置为 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_21)，全局最优位置为 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_22)。

粒子更新的公式为：
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_23
【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_24

其中，

  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_25) 是当前时刻，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_26) 是惯性权重，控制粒子的惯性，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_matlab_27) 和 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_28) 是学习因子，分别控制个体和全局的权重，
  • (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_29) 和 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_30) 是随机数，用于增加随机性。

在每一次迭代中，通过计算每个粒子的适应度（即BP神经网络在训练数据上的预测准确率或损失），找到个体最优位置 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_21) 和全局最优位置 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_神经网络_22)，并更新粒子的速度和位置，直到达到停止条件（如达到最大迭代次数或达到预定的精度）为止。

  1. 数据分类预测：

在完成粒子群优化过程后，每个粒子都代表了一组优化后的BP神经网络的权重和偏置。我们可以选择具有最佳适应度的粒子所代表的BP神经网络作为最终的分类器。

将新的输入数据样本 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_33) 输入该BP神经网络，通过前向传播计算输出的隐藏层和输出层的输出，得到预测值 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_34)。根据预测值 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_34) 和分类标签 (【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_36)（来自测试数据集）的对比，我们可以计算分类的准确率或损失，用于评估优化后的BP神经网络在测试数据上的表现。

通过以上的BP神经网络运算、粒子群优化和数据分类预测过程，我们可以实现“基于粒子群优化算法优化BP神经网络的数据分类预测”。这种方法结合了全局优化算法PSO和BP神经网络，能够帮助BP神经网络更好地适应数据分类任务，提高分类准确率，并在实际应用中取得更好的分类性能。

3.文件结构

【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_37

fun.m							% 适应度值函数
main.m							% 主函数
数据集.xlsx						% 可替换数据集

4.Excel数据

【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_38

5.分块代码

5.1 fun.m

function error = fun(pop, hiddennum, net, p_train, t_train)

%% 节点个数

inputnum  = size(p_train, 1);  % 输入层节点数
outputnum = size(t_train, 1);  % 输出层节点数

%% 提取权值和阈值

w1 = pop(1 : inputnum * hiddennum);
B1 = pop(inputnum * hiddennum + 1 : inputnum * hiddennum + hiddennum);
w2 = pop(inputnum * hiddennum + hiddennum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum);
B2 = pop(inputnum * hiddennum + hiddennum + hiddennum * outputnum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum);

%% 网络赋值

net.Iw{1, 1} = reshape(w1, hiddennum, inputnum );
net.Lw{2, 1} = reshape(w2, outputnum, hiddennum);
net.b{1}     = reshape(B1, hiddennum, 1);
net.b{2}     = B2';

%% 网络训练

net = train(net, p_train, t_train);

%% 仿真测试

t_sim1 = sim(net, p_train);

%% 反归一化

T_sim1  = vec2ind(t_sim1 );
T_train = vec2ind(t_train);

%% 适应度值

error = 1 - sum(T_sim1 == T_train) / length(T_sim1);

5.2 main.m

%% 清空环境变量

warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%% 导入数据

res = xlsread('数据集.xlsx');

%% 划分训练集和测试集

temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);

%% 数据归一化

[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );

%% 节点个数

inputnum  = size(p_train, 1);  % 输入层节点数
hiddennum = 6;                 % 隐藏层节点数
outputnum = size(t_train,1);   % 输出层节点数

%% 建立网络

net = newff(p_train, t_train, hiddennum);

%% 设置训练参数

net.trainParam.epochs     = 1000;      % 训练次数
net.trainParam.goal       = 1e-5;      % 目标误差
net.trainParam.lr         = 0.01;      % 学习率
net.trainParam.showWindow = 0;         % 关闭窗口

%% 参数初始化

c1      = 4.494;       % 学习因子
c2      = 4.494;       % 学习因子
maxgen  =   30;        % 种群更新次数  
sizepop =    5;        % 种群规模
Vmax    =  1.0;        % 最大速度
Vmin    = -1.0;        % 最小速度
popmax  =  2.0;        % 最大边界
popmin  = -2.0;        % 最小边界

%% 节点总数

numsum = inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum;

for i = 1 : sizepop
    pop(i, :) = rands(1, numsum);  % 初始化种群
    V(i, :) = rands(1, numsum);    % 初始化速度
    fitness(i) = fun(pop(i, :), hiddennum, net, p_train, t_train);
end

%% 个体极值和群体极值

[fitnesszbest, bestindex] = min(fitness);
zbest = pop(bestindex, :);     % 全局最佳
gbest = pop;                   % 个体最佳
fitnessgbest = fitness;        % 个体最佳适应度值
BestFit = fitnesszbest;        % 全局最佳适应度值

%% 迭代寻优

for i = 1 : maxgen
    for j = 1 : sizepop
        
        % 速度更新
        V(j, :) = V(j, :) + c1 * rand * (gbest(j, :) - pop(j, :)) + c2 * rand * (zbest - pop(j, :));
        V(j, (V(j, :) > Vmax)) = Vmax;
        V(j, (V(j, :) < Vmin)) = Vmin;
        
        % 种群更新
        pop(j, :) = pop(j, :) + 0.2 * V(j, :);
        pop(j, (pop(j, :) > popmax)) = popmax;
        pop(j, (pop(j, :) < popmin)) = popmin;
        
        % 自适应变异
        pos = unidrnd(numsum);
        if rand > 0.95
            pop(j, pos) = rands(1, 1);
        end
        
        % 适应度值
        fitness(j) = fun(pop(j, :), hiddennum, net, p_train, t_train);

    end
    
    for j = 1 : sizepop

        % 个体最优更新
        if fitness(j) < fitnessgbest(j)
            gbest(j, :) = pop(j, :);
            fitnessgbest(j) = fitness(j);
        end

        % 群体最优更新 
        if fitness(j) < fitnesszbest
            zbest = pop(j, :);
            fitnesszbest = fitness(j);
        end

    end

    BestFit = [BestFit, fitnesszbest];    
end

%% 提取最优初始权值和阈值

w1 = zbest(1 : inputnum * hiddennum);
B1 = zbest(inputnum * hiddennum + 1 : inputnum * hiddennum + hiddennum);
w2 = zbest(inputnum * hiddennum + hiddennum + 1 : inputnum * hiddennum ...
    + hiddennum + hiddennum * outputnum);
B2 = zbest(inputnum * hiddennum + hiddennum + hiddennum * outputnum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum);

%% 网络赋值

net.Iw{1, 1} = reshape(w1, hiddennum, inputnum );
net.Lw{2, 1} = reshape(w2, outputnum, hiddennum);
net.b{1}     = reshape(B1, hiddennum, 1);
net.b{2}     = B2';

%% 打开训练窗口

net.trainParam.showWindow = 1;        % 打开窗口

%% 网络训练

net = train(net, p_train, t_train);

%% 仿真预测

t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%% 数据反归一化

T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);

%% 数据排序

[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );

T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);

%% 性能评价

error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%% 绘图

figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
xlim([1, M])
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid

%% 误差曲线迭代图

figure
plot(1 : length(BestFit), BestFit, 'LineWidth', 1.5);
xlabel('粒子群迭代次数');
ylabel('适应度值');
xlim([1, length(BestFit)])
string = {'模型迭代误差变化'};
title(string)

%% 混淆矩阵

figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

6.完整代码

6.1 fun.m

function error = fun(pop, hiddennum, net, p_train, t_train)

%%  节点个数
inputnum  = size(p_train, 1);  % 输入层节点数
outputnum = size(t_train, 1);  % 输出层节点数

%%  提取权值和阈值
w1 = pop(1 : inputnum * hiddennum);
B1 = pop(inputnum * hiddennum + 1 : inputnum * hiddennum + hiddennum);
w2 = pop(inputnum * hiddennum + hiddennum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum);
B2 = pop(inputnum * hiddennum + hiddennum + hiddennum * outputnum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum);

%%  网络赋值
net.Iw{1, 1} = reshape(w1, hiddennum, inputnum );
net.Lw{2, 1} = reshape(w2, outputnum, hiddennum);
net.b{1}     = reshape(B1, hiddennum, 1);
net.b{2}     = B2';

%%  网络训练
net = train(net, p_train, t_train);

%%  仿真测试
t_sim1 = sim(net, p_train);

%%  反归一化
T_sim1  = vec2ind(t_sim1 );
T_train = vec2ind(t_train);

%%  适应度值
error = 1 - sum(T_sim1 == T_train) / length(T_sim1);

6.2 main.m

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );

%%  节点个数
inputnum  = size(p_train, 1);  % 输入层节点数
hiddennum = 6;                 % 隐藏层节点数
outputnum = size(t_train,1);   % 输出层节点数

%%  建立网络
net = newff(p_train, t_train, hiddennum);

%%  设置训练参数
net.trainParam.epochs     = 1000;      % 训练次数
net.trainParam.goal       = 1e-5;      % 目标误差
net.trainParam.lr         = 0.01;      % 学习率
net.trainParam.showWindow = 0;         % 关闭窗口

%%  参数初始化
c1      = 4.494;       % 学习因子
c2      = 4.494;       % 学习因子
maxgen  =   30;        % 种群更新次数  
sizepop =    5;        % 种群规模
Vmax    =  1.0;        % 最大速度
Vmin    = -1.0;        % 最小速度
popmax  =  2.0;        % 最大边界
popmin  = -2.0;        % 最小边界

%%  节点总数
numsum = inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum;

for i = 1 : sizepop
    pop(i, :) = rands(1, numsum);  % 初始化种群
    V(i, :) = rands(1, numsum);    % 初始化速度
    fitness(i) = fun(pop(i, :), hiddennum, net, p_train, t_train);
end

%%  个体极值和群体极值
[fitnesszbest, bestindex] = min(fitness);
zbest = pop(bestindex, :);     % 全局最佳
gbest = pop;                   % 个体最佳
fitnessgbest = fitness;        % 个体最佳适应度值
BestFit = fitnesszbest;        % 全局最佳适应度值

%%  迭代寻优
for i = 1 : maxgen
    for j = 1 : sizepop
        
        % 速度更新
        V(j, :) = V(j, :) + c1 * rand * (gbest(j, :) - pop(j, :)) + c2 * rand * (zbest - pop(j, :));
        V(j, (V(j, :) > Vmax)) = Vmax;
        V(j, (V(j, :) < Vmin)) = Vmin;
        
        % 种群更新
        pop(j, :) = pop(j, :) + 0.2 * V(j, :);
        pop(j, (pop(j, :) > popmax)) = popmax;
        pop(j, (pop(j, :) < popmin)) = popmin;
        
        % 自适应变异
        pos = unidrnd(numsum);
        if rand > 0.95
            pop(j, pos) = rands(1, 1);
        end
        
        % 适应度值
        fitness(j) = fun(pop(j, :), hiddennum, net, p_train, t_train);

    end
    
    for j = 1 : sizepop

        % 个体最优更新
        if fitness(j) < fitnessgbest(j)
            gbest(j, :) = pop(j, :);
            fitnessgbest(j) = fitness(j);
        end

        % 群体最优更新 
        if fitness(j) < fitnesszbest
            zbest = pop(j, :);
            fitnesszbest = fitness(j);
        end

    end

    BestFit = [BestFit, fitnesszbest];    
end

%%  提取最优初始权值和阈值
w1 = zbest(1 : inputnum * hiddennum);
B1 = zbest(inputnum * hiddennum + 1 : inputnum * hiddennum + hiddennum);
w2 = zbest(inputnum * hiddennum + hiddennum + 1 : inputnum * hiddennum ...
    + hiddennum + hiddennum * outputnum);
B2 = zbest(inputnum * hiddennum + hiddennum + hiddennum * outputnum + 1 : ...
    inputnum * hiddennum + hiddennum + hiddennum * outputnum + outputnum);

%%  网络赋值
net.Iw{1, 1} = reshape(w1, hiddennum, inputnum );
net.Lw{2, 1} = reshape(w2, outputnum, hiddennum);
net.b{1}     = reshape(B1, hiddennum, 1);
net.b{2}     = B2';

%%  打开训练窗口 
net.trainParam.showWindow = 1;        % 打开窗口

%%  网络训练
net = train(net, p_train, t_train);

%%  仿真预测
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%%  数据反归一化
T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);

%%  数据排序
[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );

T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);

%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
xlim([1, M])
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid

%%  误差曲线迭代图
figure
plot(1 : length(BestFit), BestFit, 'LineWidth', 1.5);
xlabel('粒子群迭代次数');
ylabel('适应度值');
xlim([1, length(BestFit)])
string = {'模型迭代误差变化'};
title(string)

%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

7.运行结果

【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_39

【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_数据_40


【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_41


【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_权重_42


【Matlab】基于粒子群优化算法优化BP神经网络的数据分类预测_算法_43


标签：%%,pop,train,BP,Matlab,inputnum,net,优化,hiddennum
From： https://blog.51cto.com/u_15739363/6893762

相关文章

  • 【Matlab】判断点和多面体位置关系的两种方法实现
    分别是向量判别法（算法来自他人论文）、体积判别法（code是我从网上找的）。方法一：向量判别法方法来自一会议论文：《判断点与多面体空间位置关系的一个新算法_石露》2008年,知网、万方、百度学术有收录。优点：适合任意多面体计算简单速度快算法原理Matlab实现主函数为InPo......
  • 基于matlab实现无人机自适应控制
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。......
  • 前端性能优化策略：加速网页加载时间的关键技巧
    引言：在当今互联网时代，网页加载速度是提供出色用户体验的关键因素之一。快速加载的网页不仅可以吸引更多用户，还可以提高转化率和搜索引擎排名。因此，前端性能优化成为每个开发人员和网站所有者都应该关注的重要议题。本文将介绍一些关键的前端性能优化策略，帮助您加速网页加载时间并......
  • 【无人机控制】基于线性二次型调节器LQR实现无人机飞行控制附matlab代码
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。......
  • 项目优化调优
    啊 一个用户充值时会有多种优惠，默认给用户最高的，为了提升这方面的速度，采用countDownLatch每种优惠计算一下最后金额，返回最低金额。40ms降到20ms  立减的时候，qps较高，还是用多线程降低rt，但是并没有降，load急速上升。拆分表，按业务拆分 春节档玩法多，某个值到了才能参加活......
  • 并查集优化 - 按大小合并时间复杂度证明
    并查集优化-按大小合并时间复杂度证明if(sz[b[x]].size()>sz[b[y]].size())swap(x,y);对于每个元素，当它当前所在的集合中，需要有其它大于该集合大小的集合，才会被遍历如果元素在一个大小\(1\)的集合中，会转移到大小\(2\)的集合中如果元素在一个大小\(2\)的集合中，会......
  • 基于LSTM深度学习网络的时间序列预测matlab仿真
    1.算法理论概述       时间序列预测是一类重要的预测问题，在很多领域都有着广泛的应用，如金融、交通、气象等。然而，由于时间序列数据本身具有时序性和相关性，因此预测难度较大。传统的时间序列预测方法大多采用统计学方法，如ARIMA模型、指数平滑法等，但这些方法在处理非线性、......
  • 【矩阵论】含hadamard积求导和优化问题
    本篇使用的符号说明，考虑优化问题\[\min\limits_X\|A\circX-B\|_F^2,\tag{1}\]其中\(A,X,B\inM_{m,n}\)。自然的想法是对其求导找闭式解，由于\(F\)-范数的平方可以看作对每个位置的平方求和，于是\((1)\)可以向量化写成以下形式，\[\min\limits_X\|\operatorname{vec}(A)\odot\o......
  • Android应用性能优化之分析工具
    Android应用性能优化之分析工具上一次记录了解决过度绘制的过程，这一次，想先弄清个概念性的东西，就是如何判断顺不顺畅？这东西其实最初我自己也觉得有点废话，用起来会卡就明显是不顺畅咯。但这东西就跟我很想吐槽很多应用一样，明明那么卡还放出来一样的道理。......
  • 广州网站建设：SEO优化如何让你的网站有更多的曝光度？
    你是否曾经为自己的网站无法获得足够的曝光度而苦恼？在如今竞争激烈的网络世界中，拥有一个令人印象深刻且受人欢迎的网站是至关重要的。而要实现这一目标，SEO（搜索引擎优化）的应用是不可或缺的利器。通过精心设计和执行SEO优化策略，你可以让你的网站脱颖而出，吸引更多的目标受众，从而获得更......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99