神经网络变量筛选_基于MIV的神经网络变量筛选_MIV_matlab

% 神经网络变量筛选—基于MIV的神经网络变量筛选 %% 清空环境变量 clc clear %% 产生输入 输出数据 % 设置步长 interval=0.01; % 产生x1 x2 x1=-1.5:interval:1.5; x2=-1.5:interval:1.5; % 产生x3 x4（噪声） x=rand(1,301); x3=(x-0.5)*1.5*2; x4=(x-0.5)*1.5*2; % 按照函数先求得相应的函数值，作为网络的输出。 F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %设置网络输入输出值 p=[x1;x2;x3;x4]; t=F; %% 变量筛选 MIV算法的初步实现（增加或者减少自变量） p=p'; [m,n]=size(p); yy_temp=p; % p_increase为增加10%的矩阵 p_decrease为减少10%的矩阵 for i=1:n p=yy_temp; pX=p(:,i); pa=pX*1.1; p(:,i)=pa; aa=['p_increase' int2str(i) '=p;']; eval(aa); end for i=1:n p=yy_temp; pX=p(:,i); pa=pX*0.9; p(:,i)=pa; aa=['p_decrease' int2str(i) '=p;']; eval(aa); end %% 利用原始数据训练一个正确的神经网络 nntwarn off; p=yy_temp; p=p'; % bp网络建立 net=newff(minmax(p),[8,1],{'tansig','purelin'},'traingdm'); % 初始化bp网络 net=init(net); % 网络训练参数设置 net.trainParam.show=50; net.trainParam.lr=0.05; net.trainParam.mc=0.9; net.trainParam.epochs=2000; % bp网络训练 net=train(net,p,t); %% 变量筛选 MIV算法的后续实现（差值计算） % 转置后sim for i=1:n eval(['p_increase',num2str(i),'=transpose(p_increase',num2str(i),');']) end for i=1:n eval(['p_decrease',num2str(i),'=transpose(p_decrease',num2str(i),');']) end % result_in为增加10%后的输出 result_de为减少10%后的输出 for i=1:n eval(['result_in',num2str(i),'=sim(net,','p_increase',num2str(i),');']) end for i=1:n eval(['result_de',num2str(i),'=sim(net,','p_decrease',num2str(i),');']) end for i=1:n eval(['result_in',num2str(i),'=transpose(result_in',num2str(i),');']) end for i=1:n eval(['result_de',num2str(i),'=transpose(result_de',num2str(i),');']) end %% MIV的值为各个项网络输出的MIV值 MIV被认为是在神经网络中评价变量相关的最好指标之一，其符号代表相关的方向，绝对值大小代表影响的相对重要性。 for i=1:n IV= ['result_in',num2str(i), '-result_de',num2str(i)]; eval(['MIV_',num2str(i) ,'=mean(',IV,')']) end