PSO-BP.zip_PSO-BP_pso bp_pso优化BP_神经网络_粒子群 bp

%% 该代码为基于PSO和BP网络的预测 %% 清空环境 clc clear %读取数据 clc clear sh=xlsread('hanyangliang.xls'); % 提取数据 [m,n] = size(sh); output = sh(2:m,1); input = sh(1:m-1,:); inputnum=9; hiddennum=10; outputnum=1; %找出训练数据和预测数据 input_train=input(1:999,:)'; output_train=output(1:999,1)'; input_test=input(1001:1099,:)'; output_test=output(1001:1099,1)'; %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); %构建网络 net=newff(inputn,outputn,hiddennum); % 参数初始化 %粒子群算法中的两个参数 c1 = 1.49445; c2 = 1.49445; maxgen=20; % 进化次数 sizepop=10; %种群规模 Vmax=1; Vmin=-1; popmax=30; popmin=-30; numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; for i=1:sizepop pop(i,:)=30*rands(1,numsum); V(i,:)=rands(1,numsum); fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn); end % 个体极值和群体极值 [bestfitness bestindex]=min(fitness); zbest=pop(bestindex,:); %全局最佳 gbest=pop; %个体最佳 fitnessgbest=fitness; %个体最佳适应度值 fitnesszbest=bestfitness; %全局最佳适应度值 %% 迭代寻优 for i=1:maxgen i for j=1:sizepop %速度更新 V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); V(j,find(V(j,:)>Vmax))=Vmax; V(j,find(V(j,:)<Vmin))=Vmin; %种群更新 pop(j,:)=pop(j,:)+0.25*V(j,:); pop(j,find(pop(j,:)>popmax))=popmax; pop(j,find(pop(j,:)<popmin))=popmin; %自适应变异 if rand>0.95 k=ceil(numsum*rand) pop(j,k)=30*rand; end %适应度值 fitness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,net,inputn,outputn); end for j=1:sizepop %个体最优更新 if fitness(j) < fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j); end %群体最优更新 if fitness(j) < fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); end end yy(i)=fitnesszbest; end %% 结果分析 plot(yy) title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]); xlabel('进化代数');ylabel('适应度'); x=zbest; %% 把最优初始阀值权值赋予网络预测 % %用遗传算法优化的BP网络进行值预测 w1=x(1:inputnum*hiddennum); B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum); w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum); B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum); net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=B2; %% BP网络训练 %网络进化参数 net.trainParam.epochs=10000; net.trainParam.lr=0.1; %net.trainParam.goal=0.00001; net.trainParam.goal=0.00004; %网络训练 [net,per2]=train(net,inputn,outputn); %% BP网络预测 %数据归一化 inputn_test=mapminmax('apply',input_test,inputps); an=sim(net,inputn_test); test_simupso=mapminmax('reverse',an,outputps); error=test_simupso-output_test; figure(2) plot(test_simupso,'r.-') hold on plot(output_test,'g.-'); legend('预测输出','期望输出') title('BP网络预测输出','fontsize',12) ylabel('函数输出','fontsize',12) xlabel('样本','fontsize',12) %预测误差 %plot(error,'-*') %title('网络预测误差','fontsize',12) %ylabel('误差','fontsize',12) %xlabel('样本','fontsize',12) figure(3) plot(error,'g.-') title('BP网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12) figure(4) plot(error./test_simupso,'c.-'); title('神经网络预测误差百分比') errorsum=sum(abs(error))