基于BP神经网络、RBF神经网络以及PSO优化的RBF神经网络进行数据的预测(Matlab代码实现)
1 概述
RBF神经网络结构一般包含输入层、隐含层和神经网络的输出层11。RBF神经网络将复杂的非线性问题转化为高维特征空间,使问题转化为线性可分,避免了局部最小的问题,需要更多的隐层神经元。RBF神经网络结构如图1所示。
2 运行结果
2.1 BP神经网络
2.2 RBF
2.3 PSO-RBF
部分代码:
粒子群算法中的两个参数
c1 = 1.49445;
c2 = 1.49445;
popcount=10; %粒子数
poplength=6; %粒子维数
Wstart=0.9;%初始惯性权值
Wend=0.2;%迭代次数最大时惯性权值
%个体和速度最大最小值
Vmax=1;
Vmin=-1;
popmax=4;
popmin=-4;
%粒子位置速度和最优值初始化
for i=1:popcount
pop(i,:)=rand(1,9);%初始化粒子位置
V(i,:)=rand(1,9);%初始化粒子速度
%计算粒子适应度值
Center=pop(i,1:3);
SP=pop(i,4:6);
W=pop(i,7:9);
Distance=dist(Center',SamIn);
SPMat=repmat(SP',1,SamNum);%repmat具体作用
UnitOut=radbas(Distance./SPMat);%径向基函数
NetOut=W*UnitOut;%网络输出
Error=SamOut-NetOut;%网络误差
%SSE=sumsqr(Error);
%fitness(i)=SSE;
RMSE=sqrt(sumsqr(Error)/SamNum);
fitness(i)=RMSE;
%fitness(i)=fun(pop(i,:));
end
%适应度函数(适应度值为RBF网络均方差)
[bestfitness bestindex]=min(fitness);
gbest=pop(bestindex,:);%全局最优值
pbest=pop;%个体最优值
pbestfitness=fitness;%个体最优适应度值
gbestfitness=bestfitness;%全局最优适应度值
%迭代寻优
for i=1:MaxEpoch
Vmax=1.00014^(-i);
Vmin=-1.00014^(-i);
for j=1:popcount
% if (fitness(j)<gbestfitness|fitness==gbestfitness)
% S(j)=0;
%end
%S(j)=1-(fitness(j)/100)^2;
% GW(j)=Wstart-S(j)*(Wstart-Wend);
% GW(j)=Wend+(GW(j)-Wend)*(MaxEpoch-i)/MaxEpoch;
GW=Wstart-(Wstart-Wend)*i/MaxEpoch;
%速度更新(第一种方法精度最高)
V(j,:) = 1.000009^(-i)*(gbestfitness/fitness(j)+2)*rand*V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
%V(j,:) = GW*((fitness(j)/2000)^2+1)*rand*V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
%V(j,:) = GW*V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
%V(j,:) = 0.9*V(j ,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
%V(j,:) = 0.9*1.0003^(-j)* V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
%V(j,:) = (gbestfitness/(exp(-fitness(j))+1)+0.5)*rand*V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
%粒子更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%计算粒子适应度值
Center=pop(j,1:3);
SP=pop(j,4:6);
W=pop(j,7:9);
Distance=dist(Center',SamIn);
SPMat=repmat(SP',1,SamNum);%repmat具体作用
UnitOut=radbas(Distance./SPMat);
NetOut=W*UnitOut;%网络输出
Error=SamOut-NetOut;%网络误差
%SSE=sumsqr(Error);
%fitness(j)=SSE;
RMSE=(sumsqr(Error)/SamNum);
fitness(j)=RMSE;
% Center=pop(j,1:10);
% SP=pop(j,11:20);
% W=pop(j,21:30);
% fitness(j)=fun(pop(j,:));
end
for j=1:popcount
%个体最优更新
if fitness(j) < pbestfitness(j)
pbest(j,:) = pop(j,:);
pbestfitness(j) = fitness(j);
end
%群体最优更新
if fitness(j) < gbestfitness
gbest = pop(j,:);
gbestfitness = fitness(j);
end
end
gbesthistory=[gbesthistory,gbest];
%mse(i)=gbestfitness;
%将群体最优值赋给RBF参数
Center=gbest(1,1:3);
SP=gbest(1,4:6);
W=gbest(1,7:9);
%Center=gbest(1,1:5);
%SP=gbest(1,11:20);
% W=gbest(1,21:30);
Distance=dist(Center',SamIn);
SPMat=repmat(SP',1,SamNum);%repmat具体作用
UnitOut=radbas(Distance./SPMat);
NetOut=W*UnitOut;%网络输出
Error=SamOut-NetOut;%网络误差
%sse(i)=sumsqr(Error);
mse(i)=(sumsqr(Error)/SamNum);
% sse(i)=fun(gbest);
%if sse(i)<E0,break,end
end
toc;
% 测试
Center=gbest(1,1:3);
SP=gbest(1,4:6);
W=gbest(1,7:9);
TestDistance=dist(Center',TargetIn);
TesatSpreadsMat=repmat(SP',1,TargetSamNum);
TestHiddenUnitOut=radbas(TestDistance./TesatSpreadsMat);
TestNNOut=W*TestHiddenUnitOut;
%作图 分别在训练集和测试集上
subplot(1,2,1)
plot(1:length(NetOut),NetOut,'*',1:length(NetOut),SamOut,'o')
title('In Train data')
subplot(1,2,2)
plot(1:3,TestNNOut,'*',1:3,TargetOut,'o')
title('In Test data')
%求出误差 训练集和测试集
train_error=sum(abs(SamOut-NetOut))/length(SamOut);
test_error=sum(abs(TargetOut-TestNNOut))/length(TargetOut);
3 参考文献
[1]王媛媛.基于改进PSO优化RBF神经网络的温室温度预测研究[J].计算机与数字工程,2016,44(07):1210-1215.
[2]向昭君. 群智能算法优化RBF神经网络的研究与应用[D].兰州大学,2016.DOI:10.27204/d.cnki.glzhu.2016.000078.
4 Matlab代码实现
基于BP神经网络、RBF神经网络以及PSO优化的RBF神经网络进行数据的预测(Matlab代码实现)相关推荐
- 【回归预测-LSSVM预测】基于PSO和PSR结合LSSVM实现数据回归预测附matlab代码
1 内容介绍 轴承退化过程预测在工业中极为重要,本文提出了一种基于主成分分析(PCA)和优化的LS-SVM方法实现轴承退化预测的新方法.首先,采用时域.频域.时频域特征提取方法从质量振动信号中提取原始 ...
- 【lssvm预测】基于天鹰算法优化最小二乘支持向量机lssvm实现数据回归预测附matlab代码
1 简介 短时交通流预测是实现智能交通控制与管理,交通流状态辨识和实时交通流诱导的前提及关键,也是智能化交通管理的客观需要.到目前为止,它的研究结果都不尽如人意.现有的以精确数学模型为基础的传统预测方 ...
- 【回归预测-lssvm】基于粒子群算法优化最小二乘支持向量机lssvm实现数据回归预测附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.
- 【lssvm回归预测】基于遗传算法优化最小二乘支持向量机GA-lssvm实现数据回归预测附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.
- 【lssvm回归预测】基于鸽群算法优化最小二乘支持向量机PIO-lssvm实现数据回归预测附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.
- 单目标应用:瞪羚优化算法GOA求解旅行商问题TSP(提供Matlab代码)
一.瞪羚优化算法 瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪 ...
- Keras之ML~P:基于Keras中建立的回归预测的神经网络模型(根据200个数据样本预测新的5+1个样本)——回归预测
Keras之ML~P:基于Keras中建立的回归预测的神经网络模型(根据200个数据样本预测新的5+1个样本)--回归预测 目录 输出结果 核心代码 输出结果 核心代码 # -*- coding: u ...
- 【回归预测-BP预测】基于灰狼算法优化BP神经网络实现数据回归预测附matlab代码
1 内容介绍 Mirjalili 等在 2014 年 提 出 了 灰 狼 优 化 ( Grey Wolf Optimizer,GWO) 算法,是一种新型群智能优化算法,通过模拟自然界中灰狼寻找.包围和 ...
- 08 使用粒子群(PSO)优化径向基神经网络(RBF)实现回归预测
目录 摘要: 1.RBF神经网络介绍: 2.RBF神经网络与BP神经网络的特点: 3.PSO-RBF优化流程: 4.实际测试及结果分析: 4.1 BP神经网络测试结果 4.2 RBF神经网络测试结果 ...
最新文章
- 去掉警告:PerformSelector may cause a leak because its
- 平板电脑显示服务器繁忙,微信公众平台微信保护-微信公众平台登陆系统繁忙是什么原因登陆的时候有个微信扫描认证?微 爱问知识人...
- JavaWeb课程复习资料(八)——添加功能
- JVM插码之六:jacoco插码及问题“$jacocodata 属性 Method not found: is$jacocoData”
- [分享]iOS开发-如何使用tabBarController
- 探讨 | SpringBoot + MyBatis 多数据源事物问题
- Pytorch—时序数据的加载与简单处理
- An Image is worth 16x16 words:transformers for image recognition at scale
- AS3 的 2D向量类(Vector2D)
- Phone Bills【PAT 1016题】--- 电话账单结算
- matlab中dfft,2-DFFT 
该实验的目的是开发一个 2-D FFT程序包 联合开发网 - pudn.com
- 软件设计师教程笔记整理
- 【历史上的今天】5 月 15 日:Mozilla 发布 Rust;起点中文网成立;Windows 启动音乐设计者出生
- matlab 将路径靠左,latex 图片位置靠左
- FrontEnd笔记 -- Vue 核心
- ubuntu16.04 安装显卡驱动
- cad剖切线的快捷键_Auto CAD2017剖切符号快捷键是什么呢?
- 微信浏览器iframe嵌套h5,h5页面不能调起微信支付问题处理
- [转] 人生“三重境界”和“四种大智慧”
- 旷视 CEO 印奇:靠“刷脸”折腾出 120 亿的大生意