基于麻雀优化的BP神经网络(预测应用) - 附代码
基于麻雀优化的BP神经网络(预测应用) - 附代码
摘要:本文主要介绍如何用麻雀算法优化BP神经网络并应用于预测。
1.数据介绍
本案例数据一共2000组,其中1900组用于训练,100组用于测试。数据的输入为2维数据,预测的输出为1维数据
3.SSA优化BP神经网络
3.1 BP神经网络参数设置
神经网络参数如下:
%% 构造网络结构
%创建神经网络
inputnum = 2; %inputnum 输入层节点数 2维特征
hiddennum = 10; %hiddennum 隐含层节点数
outputnum = 1; %outputnum 隐含层节点数
3.2 麻雀算法应用
麻雀算法具体原理请参照:https://blog.csdn.net/u011835903/article/details/108830958
麻雀算法的参数设置为:
popsize = 20;%种群数量
Max_iteration = 20;%最大迭代次数
lb = -5;%权值阈值下边界
ub = 5;%权值阈值上边界
% inputnum * hiddennum + hiddennum*outputnum 为阈值的个数
% hiddennum + outputnum 为权值的个数
dim = inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;% inputnum * hiddennum + hiddennum*outputnum维度
这里需要注意的是,神经网络的阈值数量计算方式如下:
本网络有2层:
第一层的阈值数量为:2*10 = 20; 即inputnum * hiddennum;
第一层的权值数量为:10;即hiddennum;
第二层的阈值数量为:10*1 = 10;即hiddenum * outputnum;
第二层权值数量为:1;即outputnum;
于是可知我们优化的维度为:inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 41;
适应度函数值设定:
本文设置适应度函数如下:
f
i
t
n
e
s
s
=
a
r
g
m
i
n
(
m
s
e
(
T
r
a
i
n
D
a
t
a
E
r
r
o
r
)
+
m
e
s
(
T
e
s
t
D
a
t
a
E
r
r
o
r
)
)
fitness = argmin(mse(TrainDataError) + mes(TestDataError))
fitness=argmin(mse(TrainDataError)+mes(TestDataError))
其中TrainDataError,TestDataError分别为训练集和测试集的预测误差。mse为求取均方误差函数,适应度函数表明我们最终想得到的网络是在测试集和训练集上均可以得到较好结果的网络。
4.测试结果:
从麻雀算法的收敛曲线可以看到,整体误差是不断下降的,说明麻雀算法起到了优化的作用:
测试统计如下表所示
测试结果 | 预测MSE |
---|---|
BP神经网络 | 0.018157 |
SSA-BP | 0.0062555 |
从结果来看,SSA-BP的mse明显小于基础BP神经网络,优化后的BP神经网络结果更好。
5.Matlab代码
麻雀优化的BP神经网络(预测)
果蝇优化的BP神经网络(预测)
灰狼优化的BP神经网络(预测)
粒子群优化的BP神经网络(预测)
人工蜂群优化的BP神经网络(预测)
鲸鱼优化的BP神经网络(预测)
萤火虫优化的BP神经网络(预测)
蝙蝠优化的BP神经网络(预测)
布谷鸟优化的BP神经网络(预测)
海鸥优化的BP神经网络(预测)
鸡群优化的BP神经网络(预测)
头脑风暴优化的BP神经网络(预测)
花授粉优化的BP神经网络(预测)
鸟群优化的BP神经网络(预测)
蝗虫优化的BP神经网络(预测)
斑点鬣狗优化的BP神经网络(预测)
遗传算法优化的BP神经网络(预测)
猫群算法优化的BP神经网络(预测)
原子搜索算法优化的BP神经网络(预测)
生物地理学优化的BP神经网络(预测)
基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络(预测)
基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络(预测)
基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测)
基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测)
基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测)
上述代码见个人资料介绍
相关文章
- DL之CNN:卷积神经网络算法应用之卷积神经网络实践技巧(DA/DP/WI/BN/H/O/R)、优化技术经验之详细攻略
- CV之IC之AlexNet:基于Keras框架利用卷积神经网络类AlexNet算法实现猫狗分类识别(图片数据增强→保存h5模型→加载模型)案例应用
- DL之CNN:计算机视觉之卷积神经网络算法的简介(经典架构/论文)、CNN优化技术、调参学习实践、CNN经典结构及其演化、案例应用之详细攻略
- 基于遗传优化的BP神经网络(分类应用) - 附代码
- 基于哈里斯鹰优化的BP神经网络(分类应用) - 附代码
- 基于鸡群优化的BP神经网络(分类应用) - 附代码
- 基于海鸥优化的BP神经网络(分类应用) - 附代码
- 基于鲸鱼优化的BP神经网络(分类应用) - 附代码
- 基于生物地理学算法优化的BP神经网络(预测应用) - 附代码
- 基于狮群算法优化的BP神经网络(预测应用) - 附代码
- 基于原子搜索优化的BP神经网络(预测应用) - 附代码
- 基于深度学习的病毒检测技术无需沙箱环境,直接将样本文件转换为二维图片,进而应用改造后的卷积神经网络 Inception V4 进行训练和检测