【BP回归预测】 Logistic混沌映射改进的麻雀算法优化BP神经网络回归预测【含Matlab源码 1552期】.zip

%% 初始化 clear close all clc warning off %% 数据读取 data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为输出的指标值 N=length(output); %全部样本数目 testNum=15; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 获取输入层节点、输出层节点个数 inputnum=size(input,2); outputnum=size(output,2); disp('/////////////////////////////////') disp('神经网络结构...') disp(['输入层的节点数为：',num2str(inputnum)]) disp(['输出层的节点数为：',num2str(outputnum)]) disp(' ') disp('隐含层节点的确定过程...') %确定隐含层节点个数 %采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 MSE=1e+5; %初始化最小误差 for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10 %构建网络 net=newff(inputn,outputn,hiddennum); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.000001; % 训练目标最小误差 % 网络训练 net=train(net,inputn,outputn); an0=sim(net,inputn); %仿真结果 mse0=mse(outputn,an0); %仿真的均方误差 disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)]) %更新最佳的隐含层节点 if mse0<MSE MSE=mse0; hiddennum_best=hiddennum; end end disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)]) %% 构建最佳隐含层节点的BP神经网络 disp(' ') disp('标准的BP神经网络：') net0=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net0.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net0.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net0.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net0.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net0.trainParam.mc=0.01; % 动量因子 net0.trainParam.min_grad=1e-6; % 最小性能梯度 net0.trainParam.max_fail=6; % 最高失败次数 %开始训练 net0=train(net0,inputn,outputn); %预测 an0=sim(net0,inputn_test); %用训练好的模型进行仿真 %预测结果反归一化与误差计算 test_simu0=mapminmax('reverse',an0,outputps); %把仿真得到的数据还原为原始的数量级 %误差指标 [mae0,mse0,rmse0,mape0,error0,errorPercent0]=calc_error(output_test,test_simu0); %% Logistic混沌映射改进的麻雀搜索算法寻最优权值阈值 disp(' ') disp('Logistic-SSA优化BP神经网络：') net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net.trainParam.mc=0.01; % 动量因子 net.trainParam.min_grad=1e-6; % 最小性能梯度 net.trainParam.max_fail=6; % 最高失败次数 %初始化SSA参数 popsize=30; %初始种群规模 maxgen=50; %最大进化代数 dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum; %自变量个数 lb=repmat(-3,1,dim); %自变量下限 ub=repmat(3,1,dim); %自变量上限 ST = 0.6;%安全值 PD = 0.7;%发现者的比列，剩下的是加入者 SD = 0.2;%意识到有危险麻雀的比重 PDNumber = popsize*PD; %发现者数量 SDNumber = popsize - popsize*PD;%意识到有危险麻雀数量 %% Logistic混沌映射初始化种群位置 k=3; %k为1到n的正整数，Logistic映射初始化k*popsize个种群，从中选出适应度最好的popsize个个体作为初始种群 X0 = logisticInitialization(popsize*k,dim,ub,lb); X=X0; % 计算初始适应度值 fit = zeros(1,popsize*k); for i = 1:popsize*k fit(i) = fitness(X(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end [fit, index]= sort(fit);%排序 %选出初始的popsize个最佳个体 fit=fit(1:popsize); index=index(1:popsize); %计算初始最优与最差个体 BestF = fit(1); WorstF = fit(end); GBestF = fit(1);%全局最优适应度值 for i = 1:popsize X(i,:) = X0(index(i),:); end curve=zeros(1,maxgen); GBestX = X(1,:);%全局最优位置 X_new = X; %% 开始优化 h0=waitbar(0,'Logistic-SSA optimization...'); for i = 1: maxgen BestF = fit(1); WorstF = fit(end); R2 = rand(1); %预警值 %更新发现者位置 for j = 1:PDNumber if(R2<ST) X_new(j,:) = X(j,:).*exp(-j/(rand(1)*maxgen)); else X_new(j,:) = X(j,:) + randn()*ones(1,dim); end end %更新加入者位置 for j = PDNumber+1:popsize if(j>(popsize - PDNumber)/2 + PDNumber) X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2); else %产生-1，1的随机数 A = ones(1,dim); for a = 1:dim if(rand()>0.5) A(a) = -1; end end AA = A'*inv(A*A'); X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA'; end end %反捕食行为更新麻雀位置 Temp = randperm(popsize); SDchooseIndex = Temp(1:SDNumber); for j = 1:SDNumber if(fit(SDchooseIndex(j))>BestF) X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:)); elseif(fit(SDchooseIndex(j))== BestF) K = 2*rand() -1; X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fit(SDchooseIndex(j)) - fit(end) + 10^-8)); end end %边界控制 for j = 1:popsize for a = 1: dim if(X_new(j,a)>ub) X_new(j,a) =ub(a); end if(X_new(j,a)<lb) X_new(j,a) =lb(a); end end end %更新位置 for j=1:popsize fitness_new(j) = fitness(X_new(j,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end for j = 1:popsize if(fitness_new(j) < GBestF) GBestF = fitness_new(j); GBestX = X_new(j,:); end end X = X_new; fit = fitness_new; %排序更新 [fit, index]= sort(fit);%排序 BestF = fit(1); WorstF = fit(end); for j = 1:popsize X(j,:) = X(index(j),:); end curve(i) = GBestF; waitbar(i/maxgen,h0) end close(h0) Best_pos =GBestX; Best_score = curve(end); setdemorandstream(pi); %% 绘制进化曲线 figure plot(curve,'r-','linewidth',2) xlabel('进化代数') ylabel('均方误差') legend('最佳适应度') title('Logistic-SSA的进化收敛曲线') w1=Best_pos(1:inputnum*hiddennum_best); %输入层到中间层的权值 B1=Best_pos(inputnum*hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best); %中间各层神经元阈值 w2=Best_pos(inputnum*hiddennum_best+hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum); %中间层到输出层的权值 B2=Best_pos(inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum); %输出层各神经元阈值 %矩阵重构 net.iw{1,1}=reshape(w1,hiddennum_best,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum_best); net.b{1}=reshape(B1,hiddennum_best,1); net.b{2}=reshape(B2,outputnum,1); %% 优化后的神经网络训练 net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分