BAS_BP_BAS优化BP_BAS_BP神经网络_BAS算法_bas_BAS-BP

%% 用天牛须算法来优化BP的权值和阈值,数据样本为测试数据，非论文实际数据，样本60个，其中每个样本具有401个特征值；NIR为样本的光谱数据，octane为60*1的辛烷值数据 % 1.0版本 %% 清空环境变量 clear all close all clc tic %% 加载数据 load spectra_data.mat % 随机产生训练集和测试集 temp=randperm(size(NIR,1)); %训练集——50个样本 P=NIR(temp(1:50),:)'; T=octane(temp(1:50),:)'; %测试集——10个样本 P_test=NIR(temp(51:end),:)'; T_test=octane(temp(51:end),:)'; N=size(P_test,2); M=size(P,2); %% 归一化 [P, ps_input] = mapminmax(P,0,1);%p_train归一化处理，范围为[0,1]，默认情况下为[-1,1] P_test = mapminmax('apply',P_test,ps_input);%对P_test采用相同的映射 [T, ps_output] = mapminmax(T,0,1); %% inputnum=size(P,1); outputnum=size(T,1); hiddennum=9;%初始隐含层神经元个数 %% 创建网络 net=newff(P,T,hiddennum); net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; net.trainParam.lr = 0.01; %% 天牛须算法初始化 eta=0.8; c=5;%步长与初始距离之间的关系 step=30;%初始步长 n=100;%迭代次数 % dir=rands(k,1); k=inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum; x=rands(k,1); bestX=x; bestY=fitness(bestX,inputnum,hiddennum,outputnum,net,P,T); fbest_store=bestY; x_store=[0;x;bestY]; display(['0:','xbest=[',num2str(bestX'),'],fbest=',num2str(bestY)]) %% 迭代部分 for i=1:n d0=step/c; dir=rands(k,1); dir=dir/(eps+norm(dir)); % dir=dir+XX; xleft=x+dir*d0/2; fleft=fitness(xleft,inputnum,hiddennum,outputnum,net,P,T); xright=x-dir*d0/2; fright=fitness(xright,inputnum,hiddennum,outputnum,net,P,T); x=x-step*dir*sign(fleft-fright); y=fitness(x,inputnum,hiddennum,outputnum,net,P,T); if y<bestY XX=x-bestX; bestX=x; bestY=y; end if y<0.001 XX=0; bestX=x; bestY=y; end x_store=cat(2,x_store,[i;x;y]); fbest_store=[fbest_store;bestY]; step=step*eta; display([num2str(i),':xbest=[',num2str(bestX'),'],fbest=',num2str(bestY)]) end %% 可视化 figure(1) plot(x_store(1,:),x_store(end,:),'r-o') hold on, plot(x_store(1,:),fbest_store,'b-.') xlabel('Iteration') ylabel('BestFit') toc