11.MATLAB优化与控制模型代码 基于遗传算法的Bp神经网络优化算法代码.rar

%% 输入 % x：一个个体的初始权值和阈值 % P：训练样本输入 % T：训练样本输出 % hiddennum：隐含层神经元数 % P_test:测试样本输入 % T_test:测试样本期望输出 %% 输出 % err：预测样本的预测误差的范数 function [err,T_sim]=BpFunction(x,P,T,hiddennum,P_test,T_test) inputnum=size(P,1); % 输入层神经元个数 % hiddennum=2*inputnum+1; % 隐含层神经元个数 outputnum=size(T,1); % 输出层神经元个数 %% 数据归一化 [p_train,ps_train]=mapminmax(P,0,1); p_test=mapminmax('apply',P_test,ps_train); [t_train,ps_output]=mapminmax(T,0,1); %% 开始构建BP网络 net=newff(p_train,t_train,hiddennum); %隐含层为hiddennum个神经元 %设定参数网络参数 net.trainParam.epochs=1000; net.trainParam.goal=1e-3; net.trainParam.lr=0.01; net.trainParam.showwindow=false; %高版MATLAB使用 不显示图形框 %% BP神经网络初始权值和阈值 w1num=inputnum*hiddennum; %输入层到隐层的权值个数 w2num=outputnum*hiddennum; %隐含层到输出层的权值个数 % x=2*rand(1,w1num+hiddennum+w2num+outputnum)-1; %随即生成权值 W1=x(1:w1num); %初始输入层到隐含层的权值 B1=x(w1num+1:w1num+hiddennum); %隐层神经元阈值 W2=x(w1num+hiddennum+1:w1num+hiddennum+w2num); %隐含层到输出层的权值 B2=x(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum); %输出层阈值 net.iw{1,1}=reshape(W1,hiddennum,inputnum); %为神经网络的输入层到隐含层权值赋值 net.lw{2,1}=reshape(W2,outputnum,hiddennum); %为神经网络的隐含层到输出层权值赋值 net.b{1}=reshape(B1,hiddennum,1); %为神经网络的隐层神经元阈值赋值 net.b{2}=reshape(B2,outputnum,1); %为神经网络的输出层阈值赋值 %% 开始训练 net = train(net,p_train,t_train); %% 测试网络 t_sim = sim(net,p_test); T_sim = mapminmax('reverse',t_sim,ps_output); %反归一化 err=norm(T_sim-T_test); %预测结果与测试结果差的范数，范数越小说明预测得越准确，如果范数为0，说明预测得完全准确