pso 阈值分割 matlab,PSO优化BP神经网络权值阈值
PSO优化BP网络:主函数:%清空环境变量clc
clear
%
%%网络结构建立%读取数据load data input output
%节点个数inputnum=2;
hiddennum=5;
outputnum=1;
%训练数据和预测数据input_train=input(1:1900,:)';
input_test=input(1901:2000,:)';
output_train=output(1:1900)';
output_test=output(1901:2000)';
%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%构建网络net=newff(inputn,outputn,hiddennum);
net.trainParam.epochs=500;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;
%net.trainParam.show=NaN
%网络训练net=train(net,inputn,outputn);
%数据归一化inputnbp_test = mapminmax('apply',input_test,inputps);
an=sim(net,inputnbp_test);
testout_simu=mapminmax('reverse',an,outputps);
%网络预测结果图形figure(1)
plot(testout_simu,'og');
hold on
plot(output_test,'-*');
legend('预测输出','期望输出');
title('BP网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);ylabel('函数输出','fontsize',12);
%网络预测模型error1=testout_simu-output_test;
%%PSO算法参数初始化maxgen=50; %进化代数,即迭代次数sizepop=30; %种群规模c1=1.49445; %学习因子c2=1.49445; %学习因子
%节点总数numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
%个体和速度最大最小值popmax=5;
popmin=-5;
vmax=1;
vmin=-1;
%------------------------------------------------------种群初始化--------------------------------------------------------
fori=1:sizepop
%随机产生一个种群pop(i,:)=5*randn(1,21); %初始化粒子v(i,:)=randn(1,21); %初始化速度x=pop(i,:)
%计算粒子适应度值fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);
end
%寻找初始极值[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %群体极值位置gbest=pop; %个体极值位置fitnessgbest=fitness;%个体极值适应度值fitnesszbest=bestfitness;%群体极值适应度值%%迭代求解最佳初始阀值和权值%迭代寻优for i=1:maxgen
%粒子位置和速度更新for j=1:sizepop
%速度更新v(j,:)=v(j,:)+c1*rands*(gbest(j,:)-pop(j,:))+c2*rand*(zbest-pop(j,:));
v(j,find(v(j,:)>vmax))=vmax;
v(j,find(v(j,:)
%位置更新pop(j,:)=pop(j,:)+0.5*v(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)
%新粒子适应度值fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);
end
%个体极值和群体极值更新for j=1:sizepop
%个体极值更新if fitness(j)
zbest=pop(j,:);
fitnesszbest=fitness(j);
end
%群体极值更新if fitness(j)
zbest=pop(j,:);
fitnesszbest=fitness(j);
end
end
%每代最优值记录到yy数组中yy(i)=fitnesszbest;
end
%%PSO算法结果分析figure(2)
plot(yy);
title('最优个体适应度值','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
%%把最优初始阀值权值赋予网络预测% %用遗传算法优化的BP网络进行值预测x=fitnesszbest;
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
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;
%%BP网络训练%网络进化参数net.trainParam.epochs=500;
net.trainParam.lr=0.1;
%net.trainParam.goal=0.00001;
%网络训练[net,per2]=train(net,inputn,outputn);
%%BP网络预测%数据归一化inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
figure(3)
plot(test_simu,'og');
hold on
plot(output_test,'-*');
legend('预测输出','期望输出');
title('PSOBP网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);ylabel('函数输出','fontsize',12);
error=test_simu-output_test;
figure(4)
plot(error1,'--og');
hold on
plot(error,'-*');
legend('BP预测误差','PSOBP预测误差');
title('预测误差','fontsize',12);
xlabel('样本','fontsize',12);ylabel('误差','fontsize',12);
适应度函数:function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
%该函数用来计算适应度值%x input输入粒子位置%inputnum input输入层节点数%outputnum input隐含层节点数%net input网络%inputn input训练输入数据%outputn input训练输出数据
%error output个体适应度值
%提取w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
net=newff(inputn,outputn,hiddennum);
%网络进化参数net.trainParam.epochs=20;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;
net.trainParam.show=100;
net.trainParam.showWindow=0;
%网络权值赋值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,inputn,outputn);
an=sim(net,inputn);
error=sum(abs(an-outputn));运行程序出错:
Error using rands (line 28)
Not enough input arguments.
Error in psobp (line 94)
v(j,:)=v(j,:)+c1*rands*(gbest(j,:)-pop(j,:))+c2*rands*(zbest-pop(j,:));
请高手帮忙解决一下。谢谢!
pso 阈值分割 matlab,PSO优化BP神经网络权值阈值相关推荐
- MATLAB:未来搜索算法(FSA)优化BP神经网络权值、阈值用于降水预测
**算法简介:**未来搜索算法(Future search algorithm,FSA)是M. Elsisi于2018年通过模仿人类向往美好生活而提出的一种新颖搜索算法.该算法通过建立数学模型模拟人与 ...
- MATLAB:海洋捕食者算法(MPA)优化BP神经网络权值和阈值用于月径流预测
海洋捕食者算法(Marine Predators Algorithm,MPA)是Afshin Faramarzi等人于2020年提出的一种新型元启发式优化算法,其灵感来源于海洋"适者生存&q ...
- 阈值法matlab程序,遗传算法优化BP神经网络权值和阈值的通用MATLAB源码
遗传算法优化神经网络有两种情况,一种是把训练好的神经网络作为黑箱函数,用遗传算法搜索该黑箱函数的最大值,另外一种情况,则是把遗传算法用于神经网络的训练,充分利用遗传算法全局搜索的特性,得到一个初始的权 ...
- Matlab 遗传算法优化BP神经网络
最近在学遗传算法优化BP神经网络,从新浪博客,Matlab中文论坛以及<MATLAB 神经网络43个案例分析>里看了许多资料, 存在着缺少test函数,以及函数名调用错误等问题.自编了te ...
- 【BP回归预测】基于matlab文化算法优化BP神经网络数据回归预测【含Matlab源码 2124期】
一.文化算法及BP神经网络简介 1 文化粒子群算法原理 本文提出的文化粒子群算法采用文化算法的双层演化结构.[4]算法包含两个进化空间, 一个是由具体个体组成的群体空间;另一个是由在进化过程中获取的经 ...
- bp神经网络权值调整公式,bp神经网络算法推导
神经网络BP模型 一.BP模型概述误差逆传播(ErrorBack-Propagation)神经网络模型简称为BP(Back-Propagation)网络模型. PallWerbas博士于1974年在他 ...
- Tensorflow:BP神经网络权值初始化
一.Tensorflow入门 1.计算图: 每一个计算都是计算图上的一个结点,而节点之间的边描述了计算之间的依赖关系. 支持通过tf.Graph生成新的计算图,不同计算图上的张量和运算不会共享. Te ...
- 天牛须matlab,基于天牛须搜索算法(BAS)优化BP神经网络的权值阈值代码
%% 使用优化后的权值和阈值测试结果 %% 使用优化后的权值和阈值 inputnum=size(P,1);%输入层神经元个数 outputnum=size(T,1);%输出层神经元个数 N=size( ...
- 【BP预测】基于布谷鸟算法优化BP神经网络数据回归预测含Matlab源码
1 简介 锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS ...
最新文章
- 图像去噪 使用dct变换进行去噪
- linux操作这样用视频,Linux下使用mencoder对视频进行操作
- Indian Scientists Design Device to Collect Solar Energy 印度科学家设计太阳能收集设备
- 在SAP分析云里利用词云技术显示大段文本里的关键词
- Mysql8.0可以使用解压版 这个比较快 好像现在都是解压版了
- python模块搜索路径_Python模块搜索路径
- BZOJ2612 : [Poi2003]Sums
- 2021-2025年中国电子液体处理系统行业市场供需与战略研究报告
- 吐血整理!顶级程序员的百宝箱来咯!| 原力计划
- Spring 各种注解(@)的含义与认识
- 创建可扩展性系统-13-2
- 心音与心电信号分析之一--6.26--心音信号数字滤波
- 科普:为什么DOTA2和LOL没有全图挂
- RTMP网页视频抓取
- lisp绘制直齿圆柱齿轮_直齿圆柱齿轮的知识及其画法
- 大数据可以考哪些证书?
- centos7.3根目录空间扩展
- WebOffice安装教程Hello World!(win10 IE打开控件问题)
- 慎重决定!从自建服务器到选择阿里云
- macos支持exfat吗_微软说,对Linux开放exFAT存储了!跨系统存储的福音
热门文章
- CISSP-D3-安全架构与工程
- windows无法连接到group policy client服务.此问题阻止标准用户登陆系统.
- 计算机基础-分类介绍
- Django LANGUAGE_CODE和TIME_ZONE设置
- Jenkins Generic Webhook Trigger 插件使用
- [转载] 李培根-华中科技大学校长李培根在2010届毕业典礼上的演讲全文
- Springboot 打包神器Maven 保姆级教程
- Ubuntu 解决中文乱码问题
- 烟锁重楼,情缘若梦终是空
- 有趣好玩的APP,宅家再也不用担心会无聊了