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：
$$fitness=argmin(mse(TrainDataError)+mes(TestDataError))$$
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：

图1 麻雀算法收敛曲线

图2.SSA-BP误差分布图

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