【BP数据预测】遗传算法优化BP神经网络GA-BP数据预测【含Matlab源码 1376期】.zip

% 清空环境变量 clc; clear; close all; %% 样本数据生成 jizhanid=load('anchorCfg.mat'); data=load('area_sample_test.mat'); location=zeros(499,83); location1={'A0000','A83F2','A8418','A8420','A841C'}; [al,bl]=size(location1); for ii=1:499 [shoudaogeshu,useless]=size(data.blink_frame(ii).anchor_array); for ii2=1:shoudaogeshu for kk=1:82 if strcmp(jizhanid.anchorCfg{kk,1},data.blink_frame(ii).anchor_array{ii2, 1}.id) location(ii,kk)=data.blink_frame(ii).anchor_array{ii2, 1}.csi(2); end end end for ii3=1:bl if strcmp(location1(ii3),data.detected_area{ii, 1}) location(ii,83)=ii3; end end end rowrank = randperm(size(location, 1)); % 随机打乱行 locationend = location(rowrank, :);%%按照rowrank打乱矩阵的行数 [a22,b22]=size(locationend); for i=1:a22 %二值化 for j=1:b22-1 if locationend(i,j)~=0 locationend(i,j)=1; end end end %% BP算法 %输入数据 data=locationend; %训练预测数据 data_train=data(1:220,1:83); data_test=data(221:499,1:83); input_train=data_train(:,1:82)'; output_train=data_train(:,83)'; input_test=data_test(:,1:82)'; output_test=data_test(:,83)'; %数据归一化 [inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx(input_train,output_train); %对p和t进行字标准化预处理 net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm'); net.trainParam.epochs=1000; net.trainParam.lr=0.1; net.trainParam.goal=0.001; net.trainParam.show=200; %网络训练 net=train(net,inputn,outputn); %数据归一化 inputn_test = tramnmx(input_test,mininput,maxinput); an=sim(net,inputn_test); test_simu=postmnmx(an,minoutput,maxoutput); Yn=test_simu; Yn=round(Yn); figure %绘图 plot(Yn,'r*-') %绘制预测值曲线 hold on %继续绘图 plot(output_test,'bo-') %实际值曲线 legend('BP预测值','实际值') %图例 wucha1=ones(1,79); %BP时预测误差 for ii1=1:79 wucha1(ii1)=(Yn(ii1)-output_test(ii1)); end figure plot(wucha1,'b^-') % %% GABP算法 % %% 网络结构建立 % %读取数据 % data=locationend; % % %节点个数 % inputnum=10; % hiddennum=65; % outputnum=1; % data_train=data(1:420,1:83); % data_test=data(421:499,1:83); % % input_train=data_train(:,1:82)'; % output_train=data_train(:,83)'; % % input_test=data_test(:,1:82)'; % output_test=data_test(:,83)'; % % [inputn,inputps]=mapminmax(input_train); % [outputn,outputps]=mapminmax(output_train); % net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm'); % % % %% 遗传算法参数初始化 % maxgen=10; %进化代数，即迭代次数 % sizepop=6; %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); % bound=[-3*ones(numsum,1) 3*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,inputn,outputn); %染色体的适应度 % end % % %找最好的染色体 % [bestfitness, bestindex]=min(individuals.fitness); % 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 % % % 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,inputn,outputn); % 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 % % end % %% 遗传算法结果分析 % figure % [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'); % x=bestchrom; % % %% 把最优初始阀值权值赋予网络预测 % % %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; % % %% BP网络训练 % %网络进化参数 % net.trainParam.epochs=3000; % net.trainParam.lr=0.1; % net.trainParam.goal=0.001; % % %网络训练 % [net,per2]=train(net,inputn,outputn); % % %% BP网络预测 % %数据归一化 % inputn_test2=mapminmax('apply',input_test,inputps); % an2=sim(net,inputn_test2); % test_simu2=mapminmax('reverse',an2,outputps); % % % Yn2=test_simu2; % Yn2=round(Yn2); % figure %绘图 % plot(Yn2,'r*-') %绘制预测值曲线 % hold on %继续绘图 % plot(output_test,'bo-') %实际值曲线 % legend('GABP预测值','实际值') %图例 % wucha2=ones(1,79); %GABP时预测误差 % for ii1=1:79 % wucha2(ii1)=((Yn2(ii1)-output_test(ii1))/output_test(ii1)); % end % figure % plot(wucha2,'r*--') % %% 画对比图 % figure %绘图 % plot(Yn,'r*-') %绘制预测值曲线 % hold on %继续绘图 % plot(Yn2,'g^--') %绘制预测值曲线 % hold on % plot(output_test,'bo-') %实际值曲线 % legend('BP预测值','GABP预测值','实际值') %图例 % figure % plot(wucha1,'b^-') % hold on % plot(wucha2,'r*--') % legend('BP预测误差','GABP预测误差') %图例 % % %% 数据存储 % % fid=fopen('shuchu.txt','w'); % % fprintf(fid,'%g\t',Yn); % % fprintf(fid,'%g\t',Yn2); % % fprintf(fid,'%g\t',wucha1); % % fprintf(fid,'%g\t',wucha2); % % fclose(fid);