BP和GABP用于风机预测Matlab

%GA-BP Network clc%清屏幕 clear%清变量 close all% rng('default')%%固定随机数 %% 第一步 读取数据 feature_index = [1,3,13,14,17]; x=xlsread("data.xlsx"); y=xlsread("10号风机标签.csv"); error_index = find(y~=1); train_index = [error_index(1),error_index(2),error_index(4),error_index(5),error_index(7),error_index(8)]'; test_index = [error_index(3),error_index(6),error_index(9)]'; y(error_index) %% 第二步 设置训练数据和预测数据 [m n]=size(x); input_train =[x(1:20000,feature_index);x(train_index,feature_index)]'; output_train =[y(1:20000,:);y(train_index,:)]'; num = 50; input_test =[x(20000:20000+num,feature_index);x(error_index,feature_index)]'; output_test =[y(20000:20000+num,:);y(error_index,:)]'; %% 第三步 训练样本数据归一化 [inputn,inputps]=mapminmax(input_train,0,1);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化 outputn=output_train; inputnum=size(input_train,1); hiddennum=[30];%隐含层节点 outputnum=1; [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm'); %%{'tansig','purelin'}为默认的激活函数（trainlm为默认的训练算法，Levenberg-Marquart算法) %% 遗传算法参数初始化 maxgen=30;%进化代数，即迭代次数 sizepop=10;%种群规模 pcross=0.2;%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 numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; lenchrom=ones(1,numsum); bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %数据范围 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 for i=1:sizepop%随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound);%编码 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 [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 trace=[avgfitness bestfitness]; % 记录每一代进化中最好的适应度和平均适应度 for num=1:maxgen % 选择 individuals=select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals,sizepop,bound); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals,sizepop,num,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %个体 individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %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 end trace= trace(1:end-1,:); xl=1:sizepop:length(trace); trace=trace(xl,:); % figure % plot(1:maxgen,trace(:,1),'r*-'); % hold on % plot(1:maxgen,trace(:,2),'bo-'); % 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'); % set(gca,'FontSize',20); %% 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 x=bestchrom; 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}=reshape(B2,outputnum,1); %% BP网络训练 %网络参数 net.trainParam.epochs=10; net.trainParam.lr=0.1; net.trainParam.goal=0.00001; net.divideParam.trainRatio = 70/100;%默认训练集占比 %只画训练曲线 net.divideParam.valRatio = 15/100; %默认验证集占比 net.divideParam.testRatio = 15/100;%默认测试集占比 %网络训练 [net,per2]=train(net,inputn,outputn); %% GA-BP网络预测 %数据归一化 inputn_test=mapminmax('apply',input_test,inputps); an=sim(net,inputn_test); test_simu=abs(mapminmax('reverse',an,outputps)); test_simu1=round(test_simu); test_simu1(test_simu1<1)=1; test_simu1(test_simu1>4)=4; error=test_simu1-output_test; %预测值和真实值的误差 acc=length(find(test_simu1==output_test))/length(test_simu1); %% 真实值与预测值误差比较 figure(1) stem(output_test,'bo') hold on stem(test_simu1,'r*') hold on legend('实际故障','预测故障') xlabel('测试样本') set(gca,'YTick',0:4) set(gca,'YTickLabel',{'0' '1-正常' '2-变桨控制故障' '3-叶片故障' '4-CT2故障' }) title("GABP-真实值VS预测值"); savefig("1-GABP-真实值VS预测值"); [c,l]=size(output_test); MAE1=sum(abs(error))/l; MSE1=error*error'/l; RMSE1=MSE1^(1/2); disp(['-----------------------误差计算--------------------------']) disp(['隐含层节点数为',num2str(hiddennum),'时的误差结果如下：']) disp(['平均绝对误差MAE为：',num2str(MAE1)]) disp(['均方误差MSE为： ',num2str(MSE1)]) disp(['均方根误差RMSE为： ',num2str(RMSE1)]) disp(['分类正确率为/%： ',num2str(acc*100)]) figure(2) label = {'1-正常' '2-变桨控制故障' '3-叶片故障' '4-CT2故障'}; mat = cfmatrix(output_test,test_simu1); maxcolor = [191,54,12]; % 最大值颜色 mincolor = [255,255,255]; % 最小值颜色 % 绘制坐标轴 m = length(mat); imagesc(1:m,1:m,mat) xticks(1:m) xlabel('预测类别','fontsize',10.5) xticklabels(label) yticks(1:m) ylabel('实际类别','fontsize',10.5) yticklabels(label) % 构造渐变色 mymap = [linspace(mincolor(1)/255,maxcolor(1)/255,64)',... linspace(mincolor(2)/255,maxcolor(2)/255,64)',... linspace(mincolor(3)/255,maxcolor(3)/255,64)']; colormap(mymap) colorbar() % 色块填充数字 for i = 1:m for j = 1:m text(i,j,num2str(mat(j,i)),... 'horizontalAlignment','center',... 'verticalAlignment','middle',... 'fontname','Times New Roman',... 'fontsize',10); end end % 图像坐标轴等宽 ax = gca; ax.FontName = 'SimHei'; set(gca,'box','on','xlim',[0.5,m+0.5],'ylim',[0.5,m+0.5]); set(0,'defaultTextFontName', 'TimesSimSun'); %文字 axis square savefig("3-GABP-混淆矩阵")