【ELMAN回归预测】基于matlab天牛须算法优化递归神经网络BAS-ELMAN回归预测【含Matlab源码 1375期】

clear all clc %% bas优化elman网络 %% 自变量个数 x_number=49; %% 因变量个数 y_number=1; %% 网络节点个数 inputnum=x_number; % 输入层 hiddennum=50; % 隐含层 outputnum=y_number; % 输出层 iterations=2000; % 迭代次数 %% 导入数据 [data_train,~,raw_train]=xlsread('train.xlsx'); [data_predict,~,raw_predict]=xlsread('predict.xlsx'); %% 自变量 x_train=data_train(2:366,5:end); x_test=data_train(367:397,5:end); %% 因变量 y_train=data_train(367:731,6); y_test=data_predict(2:end,6); %% 自变量归一化 [x,xn]=mapminmax([x_train;x_test]',-1,1); trainx=x(:,1:size(x_train,1)); testx=x(:,size(x_train,1)+1:end); %% 因变量归一化 [trainy,yn]=mapminmax(y_train',-1,1); %% 维度 global dim dim=inputnum*hiddennum+hiddennum*hiddennum+outputnum*hiddennum+hiddennum*outputnum+outputnum; %% 构建神经网络 net=newelm(trainx,trainy,hiddennum,{'tansig','purelin'},'traingdm'); %% ELman网络训练 %% 天牛左右须距离 d0=0.5; %% 系数 c=2; %% 初始化步进长度 step=2; %% 最大值 popmax=0.5; %% 最小值 popmin=-0.5; %% 步长更改系数 eta=0.995; %% 自变量个数 nvars=dim; %% 初始化 x=popmin+(popmax-popmin)*rand(1,nvars); %% 记录每次迭代的最优个体 xbest=x; %% 记录最优值 fbest=fun(xbest,inputnum,hiddennum,outputnum,net,trainx,trainy); fbest_store=fbest; % 记录每次迭代的最优值 % figure(1) % plot(1,fbest,'k.','linewidth',2) % hold on % title(['bas优化最优解：',num2str(fbest)],'fontsize',30) % pause(0.1) %% 迭代失败次数 fail=0; %% 迭代寻优 for i=1:iterations disp(['第',num2str(i),'/',num2str(iterations),'次bas优化迭代']) step=eta*step; d0=step/c; %% 方向向量 dire=rands(1,nvars); %% 方向向量归一化 dire=dire/norm(dire); %% 天牛左须坐标 xL=x-d0*dire/2; %% 天牛右须坐标 xR=x+d0*dire/2; %% 求解左须目标函数值 funxL=fun(xL,inputnum,hiddennum,outputnum,net,trainx,trainy); funxR=fun(xR,inputnum,hiddennum,outputnum,net,trainx,trainy); %% 更新质心坐标 if funxL<funxR x=x+rand*step*((xL-xR)/norm(xL-xR)); else x=x-rand*step*((xL-xR)/norm(xL-xR)); end for j=1:nvars if x(j)>popmax x(j)=popmin+(popmax-popmin)*rand; elseif x(j)<popmin x(j)=popmin+(popmax-popmin)*rand; end end %% 计算新目标函数值 f=fun(x,inputnum,hiddennum,outputnum,net,trainx,trainy); %% 更新最优值与个体 if f<fbest xbest=x; fbest=f; else fail=fail+1; end if fail==200 x=xbest; step=popmax*rand; fail=0; end %% 记录每次迭代的最优值 fbest_store=[fbest_store,fbest]; % plot(i+1,fbest,'k.','linewidth',2) % hold on % title(['bas优化最优解：',num2str(fbest)],'fontsize',30) % pause(0.1) end %% 结束bas迭代 %% %% 把最优初始阀值权值赋予网络预测 % %用bas优化的神经网络权值进行预测 x=xbest; %% 提取个体 iw1=x(1:inputnum*hiddennum); lw1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum*hiddennum); lw2=x(inputnum*hiddennum+hiddennum*hiddennum+1:inputnum*hiddennum+hiddennum*hiddennum+outputnum*hiddennum); b1=x(end-outputnum-hiddennum+1:end-outputnum); b2=x(end-outputnum+1:end); %% 网络权值赋值 net.iw{1,1}=reshape(iw1,hiddennum,inputnum); net.lw{1,1}=reshape(lw1,hiddennum,hiddennum); net.lw{2,1}=reshape(lw2,outputnum,hiddennum); net.b{1}=b1'; net.b{2}=b2'; % 用训练的神经网络对测试组数据进行训练 nh=sim(net,testx); % 网络输出反归一化 BPnh=mapminmax('reverse',nh,yn); %% 预测值 predict=BPnh'; %% 真实值 real=y_test; %% 误差 err=(predict-real)./real; figure(1) plot(fbest_store) %% 绘图 figure(2) subplot(121) plot(predict,'k-*') hold on plot(real,'b--o') legend('预测值','真实值') title(['BAS优化ELman神经网络预测误差：',num2str(var(err))]) subplot(122) plot(err,'o-') title('BAS优化ELman神经网络预测误差')