【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】

一、简介

1 BP神经网络预测原理简介
BP 神经网络是一种多层前馈神经网络,常用的为输入层-单隐含层-输出层的三层结构,如下图所示。
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
BP神经网络训练的主要思想:输入的信号特征数据先映射到隐含层(激活函数实现),再映射到输出层(默认采用线性传递函数),得到期望输出值。将期望输出值和实际测量值做比较,计算误差函数J,再将误差反向传播,通过梯度下降等算法来调节BP网络的权值和阈值。重复该过程,直到满足设定的目标误差或者最大迭代次数等终止准则,停止训练。

通过下面的例子来理解每一层的作用。

1)输入层:相当于人的五官,五官获取外部信息,对应神经网络模型input端口接收输入数据的过程。
2)隐含层:对应人的大脑,大脑对五官传递来的数据进行分析和思考,神经网络的隐含层hidden Layer对输入层传来的数据x进行映射,简单理解为一个公式hiddenLayer_output=F(w*x+b)。其中,w、b叫做权重、阈值参数,F()为映射规则,也叫激活函数,hiddenLayer_output是隐含层对于传来的数据映射的输出值。换句话说,隐含层对于输入的影响因素数据x进行了映射,产生了映射值。
3)输出层:可以对应为人的四肢,大脑对五官传来的信息经过思考(隐含层映射)之后,再控制四肢执行动作(向外部作出响应)。类似地,BP神经网络的输出层对hiddenLayer_output再次进行映射,outputLayer_output=w *hiddenLayer_output+b。其中,w、b为权重、阈值参数,outputLayer_output是神经网络输出层的输出值(也叫仿真值、预测值)(理解为,人脑对外的执行动作,比如婴儿拍打桌子)。
4)梯度下降算法:通过计算outputLayer_output和神经网络模型传入的y值之间的偏差,使用算法来相应调整权重和阈值等参数。这个过程,可以理解为婴儿拍打桌子,打偏了,根据偏离的距离远近,来调整身体使得再次挥动的胳膊不断靠近桌子,最终打中。

BP神经网络所实现的功能作用

“能尽数天星,便能尽知棋势”。围棋体现着大自然的道法,而在AlphaGo击败人类围棋冠军,则是使用算法来寻求围棋的道,实现人机对战。BP神经网络训练的结果:得到多维数据x与y之间存在的规律,即实现由x来映射逼近y。而BP训练出来得到的模型是否可靠,表现为对其他未经过训练的数据,输入到BP中,是否能输出较为准确的预测值。对此,在BP神经网络训练之后,还需要再给指标因素x1到训练好的bp network中,得到相应的BP输出值(预测值)predict1,通过作图等,计算Mse,Mape,R方等指标,来对比predict1和y1的接近程度,就可以知道模型是否预测准确。这是BP模型的测试过程,即预测过程。

小结 BP神经网络实现了:a). 根据训练集数据,训练得到一个模型,b). 对模型的可靠性与准确性进行测试集(不同于训练样本数据)预测,和实际值对比,检验预测的精度。c). 只给输入,得到预测值(可理解为测试集的数据丢了实测值,本质一样,给输入到BP中,得到输出)。由于该情况无输出,纯预测,无法检验精度是否合格,写论文时无太大意义而不必实现该情况的步骤。

2 鲸鱼优化算法优化BP神经网络预测的步骤与流程图设计
针对BP神经网络训练过程中的初始权值和阈值由随机数产生,对训练的网络结构具有影响,采用鲸鱼优化算法优化BP神经网络的初始权值和阈值,从而得到较为稳定的WOA-BP神经网络模型。

2.1 WOA优化BP神经网络的步骤:

Step1:初始化BP神经网络的权值和阈值
Step2:计算鲸鱼优化算法WOA的决策变量长度,选取均方误差作为优化的目标函数。
Step3:设置算法停止准则,使用鲸鱼优化算法优化神经网络的权值和阈值参数。
Step4:将优化得到的权值和阈值参数赋给BP神经网络。
Step5:优化后的BP神经网络训练与测试,与优化前的BP神经网络进行误差分析和精度对比。

2.2 WOA优化BP神经网络的流程图设计

【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
3 WOA-BP预测算法的参数设置
3.1 数据说明
采用建筑物能源数据集,建立BP神经网络回归预测与鲸鱼优化算法WOA优化BP神经网络的回归预测算法。

3.2 数据格式
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
3.3 优化变量的选取与适应度函数设计
优化BP神经网络的权值和阈值参数,将训练集与测试集整体的均方误差作为适应度函数。适应度函数值越小,表明训练越准确,且兼顾模型的预测精度更好。
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
式中,TraingingSet,TestingSet,分别为训练集和测试集的样本。

3.4 算法的参数设置

a)BP神经网络的参数设置

net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm','learngdm');% 建立模型

%网络参数配置
net.trainParam.epochs=1000;         % 训练次数
net.trainParam.lr=0.01;                   % 学习速率
net.trainParam.goal=0.00001;                    % 训练目标最小误差
net.trainParam.show=25;                % 显示频率
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

b) WOA算法的参数设置

% 初始化WOA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

3.5 使用WOA优化后的BP神经网络进行预测,并与BP神经网络的预测结果进行误差分析和对比

二、源代码

【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】

**代码附件说明:**
a) .mian.m为主程序,含BP预测与鲸鱼优化算法WOA优化BP预测两个部分的实现。在程序外部数据EXCEL中换自己数据集,MATLAB程序中设定相应的数据范围即可运行得到结果。代码使用中文注释清楚。
b). 数据集为EXCEL格式的数据,换数据时,在MATLAB程序中设定相应的EXCEL数据读取范围即可。
c). 采用经验公式使用循环来确定隐含层节点数目,对输入层、隐含层和输出层的神经元节点数都提供了过程。

**代码使用步骤:**
数据介绍:代码采用深度学习中常用的化学传感器的数据集样本进行实现。数据格式为EXCEL。直接套数据运行。输入的影响指标个数不限,单输出。
a). 在程序外部数据EXCEL文件中换上自己数据集;

b). 双击点开main.m主程序文件,读取EXCEL的方式如下:
```c
% 读取读取
data=xlsread('数据.xlsx','Sheet1','A1:I498'); %%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

三、运行结果

【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
WOA优化BP神经网络预测的误差分析和对比
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】
【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】

四、备注

版本:2014a

上一篇:C++图书管理系统


下一篇:【优化预测】基于matlab鲸鱼优化算法优化BP回归预测【含Matlab源码 W001期】