%%网络结构建立
%读取数据
load data input output
%节点个数
inputnum = 2;%输入层神经元个数
hiddennum = 5;%隐藏层神经元个数
outputnum = 1;%输出层神经元个数
%训练数据和测试数据
input_train = input(1:9000,:)';%取前9000行为训练数据
input_test = input(9001:10000,:)';%取后1000行为测试数据
output_train = output(1:9000)';
output_test = output (9001:10000)';
%BP神经网络构建
net=newff(input_train, output_train, hiddennum) ;
%%遗传算法参数初始化
maxgen=50; %进化代数,即迭代次数
sizepop=10; %种群规模
pcross=[0.3]; %交叉概率选择,0和1之间
pmutation=[0.1]; %变异概率选择,0和1之间
%节点总数
numsum=inputnum*hiddennum+hiddennum+hiddennum* outputnum+outputnum;
lenchrom=ones(1,numsum);%染色体长度
bound=[-2*ones(numsum,1) 2*ones(numsum,1)];%数据范围
%--------------------种群初始化---------------------------------------------------
individuals=struct('fitness',zeros(1,sizepop),'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体
%初始化种群
for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom,bound);%编码(binary和grey的编码结果为一个实数,float的编码结果为一个实数向量)
x= individuals.chrom(i,:);
%计算适应度
individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,input_train,output_train); %染色体的适应度
end
FitRecord=[];
%找最好的染色体
[bestfitness,bestindex]=min(individuals.fitness);%适应度最小的染色体为最好的染色体
bestchrom=individuals.chrom(bestindex,:); %最好的染色体
avgfitness=sum( individuals.fitness)/sizepop; %染色体的平均适应度
%记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];
%%迭代求解最佳初始阀值和权值
%进化开始
for i=1 :maxgen
i
%选择
individuals=select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
%交叉
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
%变异
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);
%计算适应度
for j=1:sizepop
x=individuals.chrom(j,:); %解码
individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,input_train,output_train);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness);
[worestfitness,worestindex]=max(individuals.fitness);
%代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness ;
bestchrom=individuals.chrom (newbestindex,:);
end
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness (worestindex)=bestfitness;
avgfitness=sum(individuals.fitness)/sizepop;
trace=[trace ;avgfitness bestfitness]; %记录每一-代进化中最好的适应度和平均适应度
FitRecord=[FitRecord;individuals.fitness];
end
% 遗传算法优化的BP神经网络函数拟合
% 把遗传算法得到的最优个体赋予BP神经网络,再进行神经网络训练。
%%把最优初始阀值权值赋了网络预测
% %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;
%网络参数配置
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.005 ;
%BP神经网络训练
[net,per2]=train(net ,input_train,output_train);
%BP神经网路预测输出
BPoutput=sim(net,input_test);
error=BPoutput-output_test;
%%%遗传算法结果分析
figure(1)
[r,c]=size(trace);
plot([1:r]',trace(:,2),'b--');
title(['适应度曲线' '终止代数 =' num2str(maxgen)]);
xlabel('进化代数');
ylabel('适应度');
legend('平均适应度','最佳适应度');
disp('适应度 变量');
%网络预测结果图形
figure(2)
plot(BPoutput, 'og');
%保存训练网络
%save datatemp net
%保存训练输出
%save GABPOUPUT BPoutput
hold on;
plot(output_test, '-*');
legend('预测输出','期望输出');
title( 'GA优化BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
figure(3)
plot(error,'-*');
title('GA优化BP神经网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
MSE = mse(error)
- 1
- 2
前往页