基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码

%% 初始化 clear close all clc warning off %% 数据读取 data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为输出的指标值 N=length(output); %全部样本数目 testNum=15; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 获取输入层节点、输出层节点个数 inputnum=size(input,2); outputnum=size(output,2); 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(' ') disp('隐含层节点的确定过程...') %确定隐含层节点个数 %采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 MSE=1e+5; %初始化最小误差 for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10 %构建网络 net=newff(inputn,outputn,hiddennum); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.000001; % 训练目标最小误差 % 网络训练 net=train(net,inputn,outputn); an0=sim(net,inputn); %仿真结果 mse0=mse(outputn,an0); %仿真的均方误差 disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)]) %更新最佳的隐含层节点 if mse0<MSE MSE=mse0; hiddennum_best=hiddennum; end end disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)]) %% 构建最佳隐含层节点的BP神经网络 disp(' ') disp('标准的BP神经网络：') net0=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net0.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net0.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net0.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net0.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net0.trainParam.mc=0.01; % 动量因子 net0.trainParam.min_grad=1e-6; % 最小性能梯度 net0.trainParam.max_fail=6; % 最高失败次数 %开始训练 net0=train(net0,inputn,outputn); %预测 an0=sim(net0,inputn_test); %用训练好的模型进行仿真 %预测结果反归一化与误差计算 test_simu0=mapminmax('reverse',an0,outputps); %把仿真得到的数据还原为原始的数量级 %误差指标 [mae0,mse0,rmse0,mape0,error0,errorPercent0]=calc_error(output_test,test_simu0); %% 原子搜索算法寻最优权值阈值 disp(' ') disp('Tent-ASO优化BP神经网络：') net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net.trainParam.mc=0.01; % 动量因子 net.trainParam.min_grad=1e-6; % 最小性能梯度 net.trainParam.max_fail=6; % 最高失败次数 %初始化Tent-ASO参数 popsize=30; %初始种群规模 maxgen=50; %最大进化代数 dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum; %自变量个数 lb=repmat(-3,1,dim); %自变量下限 ub=repmat(3,1,dim); %自变量上限 alpha=50; %深度权重 beta=0.2; %乘数权重 % Tent混沌映射初始化原子的种群位置 k=3; %k为1到n的正整数，Tent映射初始化k*popsize个种群，从中选出适应度最好的popsize个个体作为初始种群 Atom_Pop= tentInitialization(popsize*k,dim,ub,lb); % 计算初始的原子适应度 Fitness=zeros(popsize*k,1); for i=1:popsize*k Fitness(i)=fitness(Atom_Pop(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end % 排序，得到适应度最好的popsize个个体作为初始种群 [Fitness, index]= sort(Fitness);%排序 Fitness=Fitness(1:popsize);%选出初始的popsize个最佳个体 index=index(1:popsize); Atom_Pop=Atom_Pop(index,:); % 初始化原子的速度 Atom_V=zeros(popsize,dim); for i=1:dim Atom_V(:,i)=rand(popsize,1).*(ub(i)-lb(i))+lb(i); end %计算初始的最优位置与适应度 [~,Index]=min(Fitness); Fit_XBest=Fitness(Index); X_Best=Atom_Pop(Index,:); %存储进化信息的矩阵 Convergence_curve=zeros(maxgen,1); %% 开始循环 h=waitbar(0,'Tent-ASO optimization...'); for Iteration=1:maxgen %更新原子加速度 Atom_Acc=Acceleration(Atom_Pop,Fitness,Iteration,maxgen,dim,popsize,X_Best,alpha,beta); %更新原子速度 Atom_V=rand(popsize,dim).*Atom_V+Atom_Acc; %更新原子位置 Atom_Pop=Atom_Pop+Atom_V; %计算原子的适应度 for i=1:popsize % 位置越界调整 TU= Atom_Pop(i,:)>ub; TL= Atom_Pop(i,:)<lb; Atom_Pop(i,:)=(Atom_Pop(i,:).*(~(TU+TL)))+((rand(1,dim).*(ub-lb)+lb).*(TU+TL)); Fitness(i)=fitness(Atom_Pop(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end %更新最优适应度 [Max_Fitness,Index]=min(Fitness); %误差越小，模型精度越高，所以升序排列 if Max_Fitness<Fit_XBest Fit_XBest=Max_Fitness; X_Best=Atom_Pop(Index,:); else r=fix(rand*popsize)+1; Atom_Pop(r,:)=X_Best; end Convergence_curve(Iteration)=Fit_XBest; waitbar( Iteration/maxgen,h) end close(h) setdemorandstream(pi); %% 绘制进化曲线 figure plot(Convergence_curve,'r-','linewidth',2) xlabel('进化代数') ylabel('均方误差') legend('最佳适应度') title('Tent-ASO的进化收敛曲线') w1=X_Best(1:inputnum*hiddennum_best); %输入层到中间层的权值 B1=X_Best(inputnum*hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best); %中间各层神经元阈值 w2=X_Best(inputnum*hiddennum_best+hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum); %中间层到输出层的权值 B2=X_Best(inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum); %输出层各神经元阈值 %矩阵重构 net.iw{1,1}=reshape(w1,hiddennum_best,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum_best); net.b{1}=reshape(B1,hiddennum_best,1); net.b{2}=reshape(B2,outputnum,1); %% 优化后的神经网络训练 net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分别为输入输出样本 %% 优化后的神经网络测试 an1=sim(net,inputn_test); test_simu1=mapminmax('reverse',an1,outputps); %把仿真得到的数据还原为原始的数量级 %误差指标 [mae1,mse1,rmse1,mape1,error1,errorPercent1]=calc_error(output_test,test_simu1); %% 作图 figure plot(output_test,'b-*','linewidth',1) hold on plot(test_simu0,'r-v','linewidth',1,'markerfacecolor','r') hold on plot(test_simu1,'k-o','linewidth',1,'markerfacecolor','k') legend('真实值','BP预测值','Tent-ASO BP预测值') xlabel('测试样本编号') ylabel('指标值') title('Tent-ASO优化前后的BP神经网络预测值和真实值对比图') figure plot(error0,'rv-','markerfacecolor','r') hold on plot(error1,'ko-','markerfacecolor','k') legend('BP预测误差','Tent-ASO BP预测误差') xlabel('测试样本编号') ylabel('预测偏差') title('Tent-ASO优化前后的BP神经网络预测值和真实值误差对比图') disp(' ') disp('/////////////////////////////////') disp('打印结果表格') disp('样本序号 实测值 BP预测值 Tent-ASO-BP值 BP误差 Tent-ASO-BP误差') for i=1:testNum disp([i output_test(i),test_simu0(i),test_simu1(i),error0(i),error1(i)]) end % 以下命令删除后便不会显示交流群信息 load data1.mat figure('MenuBar','none') imshow(b) text(0.