GA-BP.zip_BP遗传算法_GA_GA-BP_neural network_神经网络

%% I. 清除环境变量 clear all clc %% II. 训练集/测试集产生 %% % 1. 导入数据 load test_data.mat %% III. 导入数据 %% % 2. 训练集和测试集 % 训练集——125个样本 P_train = P'; T_train = T'; % 测试集——25个样本 P_test = Pt'; T_test = Tt'; N = size(P_test,2); %% III. 数据归一化 [p_train, ps_input] = mapminmax(P_train,0,1); p_test = mapminmax('apply',P_test,ps_input); [t_train, ps_output] = mapminmax(T_train,0,1); %% II. 声明全局变量 global p % 训练集输入数据 global t % 训练集输出数据 global R % 输入神经元个数 global S2 % 输出神经元个数 global S1 % 隐层神经元个数 global S % 编码长度 S1 = 8; % 训练数据 p = p_train; t = t_train; %% IV. BP神经网络 %% % 1. 网络创建 net = newff(minmax(p),[S1,1],{'tansig','purelin'},'trainlm'); %% % 2. 设置训练参数 net.trainParam.show = 10; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; net.trainParam.lr = 0.01; %% % 3. 网络训练 [net,tr] = train(net,p,t); %% % 4. 仿真测试 t_sim = sim(net,p_test); % BP神经网络的仿真结果 % 5. 数据反归一化 T_sim = mapminmax('reverse',t_sim,ps_output); %% V. 性能评价 %% % 1. 相对误差error error = abs(T_sim - T_test)./T_test; %% % 2. 决定系数R^2 R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); %% % 3. 结果对比 result = [T_test' T_sim' error'] %% VI. 绘图 figure plot(1:N,T_test,'b:*',1:N,T_sim,'r-o') legend('真实值','预测值') xlabel('样本数') ylabel('凸模位移') string = {'测试集凸模位移预测结果对比';['R^2=' num2str(R2)]}; title(string) %% V. GA-BP神经网络 R = size(p,1); S2 = size(t,1); S = R*S1 + S1*S2 + S1 + S2; aa = ones(S,1)*[-1,1]; %% VI. 遗传算法优化 %% % 1. 初始化种群 popu = 60; % 种群规模 initPpp = initializega(popu,aa,'gabpEval',[],[1e-6 1]); % 初始化种群 %% % 2. 迭代优化 gen = 100; % 遗传代数 % 调用GAOT工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace] = ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,... 'normGeomSelect',[0.08],['arithXover'],[2],'nonUnifMutation',[2 gen 3]); %% % 3. 绘均方误差变化曲线 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-'); xlabel('Generation'); ylabel('Sum-Squared Error'); %% % 4. 绘制适应度函数变化 figure(2) plot(trace(:,1),trace(:,3),'r-'); hold on plot(trace(:,1),trace(:,2),'b-'); xlabel('Generation'); ylabel('Fittness'); %% VII. 解码最优解并赋值 %% % 1. 解码最优解 [W1,B1,W2,B2,val] = gadecod(x); %% % 2. 赋值给神经网络 net.IW{1,1} = W1; net.LW{2,1} = W2; net.b{1} = B1; net.b{2} = B2; %% VIII. 利用新的权值和阈值进行训练 net = train(net,p,t); %% IX. 仿真测试 t_ga = sim(net,p_test) %遗传优化后的仿真结果 % 5. 数据反归一化 T_ga = mapminmax('reverse',t_ga,ps_output); %% V. 性能评价 %% % 1. 相对误差error error = abs(T_ga - T_test)./T_test; %% % 2. 决定系数R^2 R2 = (N * sum(T_ga .* T_test) - sum(T_ga) * sum(T_test))^2 / ((N * sum((T_ga).^2) - (sum(T_ga))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); %% % 3. 结果对比 result = [T_test' T_ga' error'] %% VI. 绘图 figure plot(1:N,T_test,'b:*',1:N,T_ga,'r-o') legend('真实值','预测值') xlabel('样本数') ylabel('凸模位移') string = {'测试集凸模位移预测结果对比';['R^2=' num2str(R2)]}; title(string) %% 保存训练好的神经网络 save('GA-BP','net');