BKA-BP黑翅鸢算法优化BP神经网络分类预测（Matlab完整源码和数据）

% 清空环境变量 clc clear %% 训练数据预测数据提取及归一化 %下载四类语音信号 try load 'data1' c1 load 'data2' c2 load 'data3' c3 load 'data4' c4 catch ErrorInfo disp('请您务必在当前文件夹下运行!!!,或者将数据重新加载'); end addpath(genpath(pwd)) %四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:); %输入输出数据 input=data(:,2:end); output1 =data(:,1); for i=1:size(output1,1) switch output1(i) case 1 output(i,1)=1; case 2 output(i,2)=1; case 3 output(i,3)=1; case 4 output(i,4)=1; case 5 output(i,5)=1; case 6 output(i,6)=1; case 7 output(i,7)=1; case 8 output(i,8)=1; case 9 output(i,9)=1; case 10 output(i,10)=1; end end jg = 500; %每组500个样本 tn = 420; %选前tn个样本进行训练，剩下的100个用于测试 input_train = []; output_train = []; input_test = []; output_test = []; for i = 1:4 %一共有4类 input_train=[input_train;input(1+jg*(i-1):jg*(i-1)+tn,:)]; output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)]; input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)]; output_test=[output_test;output(jg*(i-1)+tn+1:i*jg,:)]; end %输入数据归一化 input_train = input_train'; output_train = output_train'; input_test = input_test'; output_test = output_test'; %归一化 [inputn,inputps]=mapminmax(input_train); [inputn_test,inputtestps]=mapminmax('apply',input_test,inputps); %% 网络结构初始化 % 获取输入层节点、输出层节点个数 inputnum=size(inputn,1); outputnum=size(output,2); hiddennum_best = 10; %需要手动赋值 disp('/////////////////////////////////') disp('神经网络结构...') disp(['输入层的节点数为：',num2str(inputnum)]) disp(['输出层的节点数为：',num2str(outputnum)]) disp(' ') %% 优化算法寻最优权值阈值 %初始化参数 pop=8; %初始种群规模 maxgen=30; %最大进化代数 dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum; %自变量个数 lb = -2.*ones(1,dim); %神经网络权值阈值的下限 ub = 2.*ones(1,dim); %神经网络权值阈值的上限 fobj = @(x)fitness(x,inputnum,hiddennum_best,outputnum,inputn,output_train,inputn_test,output_test); disp('正在调用优化算法对BP进行优化，请稍等……') [Best_score,Best_pos,curve]=BKA(pop, maxgen,lb,ub,dim,fobj); setdemorandstream(2*pi); %将最佳值Best_pos带入目标函数 [error,predict_label] = fitness(Best_pos,inputnum,hiddennum_best,outputnum,inputn,output_train,inputn_test,output_test); outputt=zeros(1,size(output_test,2)); for i=1:size(output_test,2) outputt(i)=find(output_test(:,i)==max(output_test(:,i))); end fprintf('test is over and plot begining……\n'); accuracy=sum(outputt==predict_label)/length(predict_label); %计算预测的确率 %输出准确率 disp('---------------------------测试准确率-------------------------') disp(['优化BP神经网络诊断准确率：',num2str(accuracy*100),'%']) % 标准作图 % 画方框图 figure('Position',[10,50,800,600]) set(gca,'looseInset',[0 0 0 0]) confMat = confusionmat(outputt,predict_label); %output_test是真实值标签 zjyanseplotConfMat(confMat.'); xlabel('Predicted label') ylabel('Real label') title(['优化BP的测试集正确率 = ',num2str(accuracy*100),' %']) % 作图 figure('Position',[50,50,800,600]) set(gca,'looseInset',[0 0 0 0]) plot(1:1:length(predict_label),outputt,'*-','Color',[0 0.4470 0.7410],'LineWidth',1) hold on plot(1:1:length(predict_label),predict_label,'p-','Color',[0.9290 0.6940 0.1250],'LineWidth',0.1,'MarkerSize',3) legend('预测类别','真实类别','NorthWest') title(['优化BP的测试集正确率 = ',num2str(accuracy*100),' %']) xlabel('预测样本编号') ylabel('分类结果') box on set(gca,'fontsize',12)