遗传算法优化BP神经网络代码示例

用遗传算法优化BP神经网络代码示例

清空环境变量

clear
close all  %关闭所有图形窗口
clc

第一步 读取数据

input = X;   %载入输入数据
output = Y;  %载入输出数据

第二步 设置训练数据和预测数据

% 注意要将指标变为列向量
input_train = input(1:40,:)';
output_train = output(1:40,:)';
input_test = input(41:50,:)';
output_test = output(41:50,:)';

%节点个数
inputnum = size(input_train, 1); % 输入层节点数量
hiddennum = 10; % 隐含层节点数量
outputnum = size(output_train, 1);  % 输出层节点数量

第三步 训练样本数据归一化

[inputn, inputps] = mapminmax(input_train); %归一化到[-1,1]之间，inputps用来作下一次同样的归一化
[outputn, outputps] = mapminmax(output_train);

第四步 构建BP神经网络

net = newff(inputn, outputn, hiddennum, {'tansig','purelin'}, 'trainlm'); % 建立模型，传递函数使用purelin，采用梯度下降法训练

W1 = net.iw{1, 1}; %输入层到中间层的权值
B1 = net.b{1}; %中间各层神经元阈值

W2 = net.lw{2,1}; %中间层到输出层的权值
B2 = net.b{2}; %输出层各神经元阈值

第五步 网络参数配置（训练次数，学习速率，训练目标最小误差等）

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0.00001

第六步 BP神经网络训练

net = train(net, inputn, outputn); %开始训练，其中inputn,outputn分别为输入输出样本

第七步 测试样本归一化

inputn_test = mapminmax('apply', input_test, inputps); % 对样本数据进行归一化

第八步 BP神经网络预测

an = sim(net, inputn_test); %用训练好的模型进行仿真

第九步 预测结果反归一化与误差计算

test_simu = mapminmax('reverse', an, outputps); %把仿真得到的数据还原为原始的数量级
error = test_simu - output_test; %预测值和真实值的误差

第十步 真实值与预测值误差比较

figure('units','normalized','position',[0.119 0.2 0.38 0.5])
plot(output_test,'bo-')
hold on
plot(test_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('样本值')
title('BP神经网络测试集的预测值与实际值对比图')

[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)])

注意：

• 此代码示例仅供参考，具体的代码实现需要根据实际需求进行调整。
• 代码中的X和Y分别代表输入数据和输出数据，需要根据实际情况进行替换。
• 遗传算法的实现部分需要根据具体的算法进行修改。
• 为了更好地理解代码，建议阅读相关文献或教程。