【BP数据预测】天牛须算法优化BP神经网络BAS-BP数据预测【含Matlab源码 1316期】.zip

%% 基于天牛须搜索算法优化BP神经网络预测研究 %% 清空环境变量 clear all close all clc tic %% 加载数据 X=xlsread('数据.xlsx'); for i=1:111 Y(i)=X(10*(i-1)+1,2); end %% 时间序列数据预处理 xx = []; yy = []; num_input = 3; tr_len =round(0.8*length(Y));%训练集样本个数 for i = 1:length(Y)-num_input xx = [xx; Y(i:i+num_input-1)]; yy = [yy; Y(i+num_input)]; end %BP的训练集的输入和输出 input_train = xx(1:tr_len, :)'; output_train = yy(1:tr_len)'; %BP的测试集的输入和输出 input_test = xx(tr_len+1:end, :)'; output_test = yy(tr_len+1:end)'; %% BP网络设置 %节点个数 [inputnum,N]=size(input_train);%输入节点数量 outputnum=size(output_train,1);%输出节点数量 hiddennum=10; %隐含层节点 %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); [outputn,outputps]=mapminmax(output_train,0,1);% 归一化到[0,1]之间 %% 创建网络 net=newff(inputn,outputn,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=10;%初始步长 n=100;%迭代次数 k=inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum; x=rands(k,1); bestX=x; bestY=fitness(bestX,inputnum,hiddennum,outputnum,net,inputn,outputn); 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)); xleft=x+dir*d0/2; fleft=fitness(xleft,inputnum,hiddennum,outputnum,net,inputn,outputn); xright=x-dir*d0/2; fright=fitness(xright,inputnum,hiddennum,outputnum,net,inputn,outputn); x=x-step*dir*sign(fleft-fright); y=fitness(x,inputnum,hiddennum,outputnum,net,inputn,outputn); if y<bestY bestX=x; bestY=y; end if y<0.001 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 %% x=bestX'; % 把最优初始阀值权值赋予网络预测 %用ABC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=100; net.trainParam.lr=0.1; net.trainParam.mc = 0.8;%动量系数，[0 1]之间 net.trainParam.goal=0.001; % 网络训练 net=train(net,inputn,outputn); % BP训练集预测 BP_sim=sim(net,inputn); % 网络输出反归一化 ABC_sim=mapminmax('reverse',BP_sim,outputps); % 绘图 figure plot(1:length(output_train),output_train,'b-o','linewidth',1) hold on plot(1:length(ABC_sim),ABC_sim,'r-square','linewidth',1) xlabel('训练样本','FontSize',12); legend('实际值','预测值'); axis tight title('BAS-BP神经网络') % BP测试集 % 测试数据归一化 inputn_test=mapminmax('apply',input_test,inputps); %预测输出 an=sim(net,inputn_test); ABCBPsim=mapminmax('reverse',an,outputps); figure plot(1:length(output_test), output_test,'b-o','linewidth',1) hold on plot(1:length(ABCBPsim),ABCBPsim,'r-square','linewidth',1) xlabel('测试样本','FontSize',12); legend('实际值','预测值'); axis tight title('BAS-BP神经网络') %% 未优化的BP神经网络 net1=newff(inputn,outputn,hiddennum); % 网络进化参数 net1.trainParam.epochs=100; net1.trainParam.lr=0.1; net1.trainParam.mc = 0.8;%动量系数，[0 1]之间 net1.trainParam.goal=0.001; % 网络训练 net1=train(net1,inputn,outputn); % BP训练集预测 BP_sim1=sim(net1,inputn); % 网络输出反归一化 T_sim1=mapminmax('reverse',BP_sim1,outputps); %预测输出 an1=sim(net1,inputn_test); Tsim1=mapminmax('reverse',an1,outputps); % 绘图 figure plot(1:length(output_train),output_train,'b-o','linewidth',1) hold on plot(1:length(T_sim1),T_sim1,'r-square','linewidth',1) xlabel('训练样本','FontSize',12); legend('实际值','预测值'); axis tight title('BP神经网络') figure plot(1:length(output_test), output_test,'b-o','linewidth',1) hold on plot(1:length(Tsim1),Tsim1,'r-square','linewidth',1) xlabel('测试样本','FontSize',12); legend('实际值','预测值'); axis tight title('BP神经网络') %% ABC-BP和BP对比图 figure plot(1:length(output_train),output_train,'b-o','linewidth',1) hold on plot(1:length(ABC_sim),ABC_sim,'r-square','linewidth',1) hold on plot(1:length(T_sim1),T_sim1,'g-diamond','linewidth',1) xlabel('训练样本','FontSize',12); legend('实际值','BAS-BP预测值','BP预测值'); axis tight figure plot(1:length(output_test), output_test,'b-o','linewidth',1) hold on plot(1:length(ABCBPsim),ABCBPsim,'r-square','linewidth',1) hold on plot(1:length(Tsim1),Tsim1,'g-diamond','linewidth',1) xlabel('测试样本','FontSize',12); legend('实际值','BAS-BP预测值','BP预测值'); axis tight %% 结果评价 Result1=CalcPerf(output_test,ABCBPsim); MSE1=Result1.MSE; RMSE1=Result1.RMSE; MAPE1=Result1.Mape; disp(['BASBP-RMSE = ', num2str(RMSE1)]) disp(['BASBP-MSE = ', num2str(MSE1)]) disp(['BASBP-MAPE = ', num2str(MAPE1)]) Result2=CalcPerf(output_test,Tsim1); MSE2=Result2.MSE; RMSE2=Result2.RMSE; MAPE2=Result2.Mape; disp(['BP-RMSE = ', num2str(RMSE2)]) disp(['BP-MSE = ', num2str(MSE2)]) disp(['BP-MAPE = ', num2str(MAPE2)])