精华内容
下载资源
问答
  • 针对恒压供水系统普遍存在的非线性、大滞后和不确定的特点,设计了一种基于遗传算法BP神经网络的PID控制器,该控制器先通过遗传算法优化BP神经网络的初始权值,再利用BP神经网络的自学习和自适应能力,自动调整PID...
  • 基于遗传算法BP神经网络预测
  • 基于遗传算法优化BP神经网络的非线性拟合模型,利用数据做预测,数据代码都在压缩包里,可以直接运行。
  • 基于遗传算法BP神经网络优化算法

    万次阅读 多人点赞 2016-04-10 20:22:41
    遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和 BP神经网络预测3个部分。其中,BP神经网络结构确定部分根据拟合函数输入输出参数个数确定 BP神经网络结构,这样就可以确定遗传算法的优化参数个数,...

    遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和 BP神经网络预测3个部分。其中,BP神经网络结构确定部分根据拟合函数输入输出参数个数确定 BP神经网络结构,这样就可以确定遗传算法的优化参数个数,进而确定遗传算法个体的编码长度。因为遗传算法优化的参数是 BP神经网络的初始权值和阈值,只要网络的结构已知,权值和阈值的个数就已知了。种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体。BP神经网络预测用遗传算法得到最优个体对网络进行初始权值和阈值的赋值,网络经训练后预测样本输出。神经网络的权值和阈值一般是通过初始化为【-0.5,0.5】区间的随机数,这个初始化参数对网络训练的影响很大,但是又无法准确获得,对于相同的初始权重值和阈值,网络的训练结果是一样的,引入遗传算法就是为了优化出最优的初始权值和阈值。
    遗传算法优化BP神经网络的算法流程如下:

    这里写图片描述

    遗传算法的基本要素包括染色体编码方法、适应度函数、遗传操作和运行参数。其中染色体编码方法是指个体的编码方法,目前包括二进制法、实数法等。二进制法是指把个体编码成为一个二进制串,实数法是指把个体编码成为一个实数串。适应度函数是指根据进化目标编写的计算个体适应度值的函数,通过适应度函数计算每个个体的适应度值,提供给选择算子进行选择。遗传操作是指选择操作、交叉操作和变异操作。运行参数是遗传算法在初始化时确定的参数,主要包括群体大小 M,遗传代数G,交叉概率Pc和变异概率Pm。(下面都是引用的MATLAB智能算法30个案例里面的内容,太多了,偷了个懒)
    

    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述

    下面是函数实现的代码部分:
    clc
    clear all
    close all
    %% 加载神经网络的训练样本 测试样本每列一个样本 输入P 输出T,T是标签
    %样本数据就是前面问题描述中列出的数据
    %epochs是计算时根据输出误差返回调整神经元权值和阀值的次数
    load data
    % 初始隐层神经元个数
    hiddennum=31;
    % 输入向量的最大值和最小值
    threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
    inputnum=size(P,1); % 输入层神经元个数
    outputnum=size(T,1); % 输出层神经元个数
    w1num=inputnumhiddennum; % 输入层到隐层的权值个数
    w2num=outputnum
    hiddennum;% 隐层到输出层的权值个数
    N=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数

    %% 定义遗传算法参数
    NIND=40; %个体数目
    MAXGEN=50; %最大遗传代数
    PRECI=10; %变量的二进制位数
    GGAP=0.95; %代沟
    px=0.7; %交叉概率
    pm=0.01; %变异概率
    trace=zeros(N+1,MAXGEN); %寻优结果的初始值

    FieldD=[repmat(PRECI,1,N);repmat([-0.5;0.5],1,N);repmat([1;0;1;1],1,N)]; %区域描述器
    Chrom=crtbp(NIND,PRECI*N); %初始种群
    %% 优化
    gen=0; %代计数器
    X=bs2rv(Chrom,FieldD); %计算初始种群的十进制转换
    ObjV=Objfun(X,P,T,hiddennum,P_test,T_test); %计算目标函数值
    while gen<MAXGEN
    fprintf(’%d\n’,gen)
    FitnV=ranking(ObjV); %分配适应度值
    SelCh=select(‘sus’,Chrom,FitnV,GGAP); %选择,随机遍历抽样
    SelCh=recombin(‘xovsp’,SelCh,px); %重组,单点交叉
    SelCh=mut(SelCh,pm); %变异
    X=bs2rv(SelCh,FieldD); %子代个体的十进制转换
    ObjVSel=Objfun(X,P,T,hiddennum,P_test,T_test); %计算子代的目标函数值
    [Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代,得到新种群,注意插入后新种群与老种群的规模是一样的
    %代沟只是说选择子种群的时候是选择95%的个体作为待插入的子种群
    %1,父代chrome和子代selch中的子种群个数都是1,1,基于适应度的选择,子代代替父代中适应度最小的个体
    X=bs2rv(Chrom,FieldD);%插入完成后,重新计算个体的十进制值
    gen=gen+1; %代计数器增加
    %获取每代的最优解及其序号,Y为最优解,I为个体的序号
    [Y,I]=min(ObjV);%Objv是目标函数值,也就是预测误差的范数
    trace(1:N,gen)=X(I,:); %记下每代个体的最优值,即各个权重值
    trace(end,gen)=Y; %记下每代目标函数的最优值,即预测误差的范数
    end
    %% 画进化图
    figure(1);
    plot(1:MAXGEN,trace(end,:));
    grid on
    xlabel(‘遗传代数’)
    ylabel(‘误差的变化’)
    title(‘进化过程’)
    bestX=trace(1:end-1,end);%注意这里仅是记录下了最优的初始权重,训练得到的最终的网络的权值并未记录下来
    bestErr=trace(end,end);
    fprintf([‘最优初始权值和阈值:\nX=’,num2str(bestX’),’\n最小误差err=’,num2str(bestErr),’\n’])
    %% 比较优化前后的训练&测试
    callbackfun

    子函数:
    function Obj=Objfun(X,P,T,hiddennum,P_test,T_test)
    %% 用来分别求解种群中各个个体的目标值
    %% 输入
    % X:所有个体的初始权值和阈值
    % P:训练样本输入
    % T:训练样本输出
    % hiddennum:隐含层神经元数
    % P_test:测试样本输入
    % T_test:测试样本期望输出
    %% 输出
    % Obj:所有个体的预测样本的预测误差的范数
    %这个函数的目的就是用种群中所有个体所代表的神经网络的初始权重值去进行网络的训练,训练次数是1000次,然
    %后得出所有个体作为初始权重训练网络1000次所得出的预测误差,也就是这里的obj,返回到原函数中,迭代maxgen=50次
    %记录下每一代的最优权重值和最优目标值(最小误差值)
    [M,N]=size(X);
    Obj=zeros(M,1);
    for i=1:M%M是40,即有40个个体,每个个体就是一次初始权重,在BPfun中用每个个体作为初始值去进行了1000次的训练
    Obj(i)=BPfun(X(i,:),P,T,hiddennum,P_test,T_test);%Obj是一个40*1的向量,每个值对应的是一个个体作为初始权重值去进行训练
    %网络1000次得出来的误差
    end

    function err=BPfun(x,P,T,hiddennum,P_test,T_test)
    %% 训练&测试BP网络
    %% 输入
    % x:一个个体的初始权值和阈值
    % P:训练样本输入
    % T:训练样本输出
    % hiddennum:隐含层神经元数
    % P_test:测试样本输入
    % T_test:测试样本期望输出
    %% 输出
    % err:预测样本的预测误差的范数
    %用每一个个体的初始权值去训练1000次
    inputnum=size(P,1); % 输入层神经元个数
    outputnum=size(T,1); % 输出层神经元个数
    %% 新建BP网络
    %神经网络的隐含层神经元的传递函数采用S型正切函数tansing(),输出层神经元的函数采用S型对数函数logsig()
    net=newff(minmax§,[hiddennum,outputnum],{‘tansig’,‘logsig’},‘trainlm’);
    %% 设置网络参数:训练次数为1000,训练目标为0.01,学习速率为0.1
    net.trainParam.epochs=1000;%允许最大训练次数,实际这个网络训练到迭代次数是3时就已经到达要求结束了
    net.trainParam.goal=0.01;%训练目标最小误差,应该是mean square error, 均方误差,就是网络输出和目标值的差的平方再求平均值
    LP.lr=0.1;%学习速率学习率的作用是不断调整权值阈值。w(n+1)=w(n)+LP.lr*(d(n)-y(n))x(n),d(n)是期望的相应,y(n)是
    %量化的实际响应,x(n)是输入向量,如果d(n)与y(n)相等的话,则w(n+1)=w(n),这里是指输入到隐含层的调整方式
    %隐含层到输出层的调整 Iout(j)=1/(1+exp(-I(j)));
    %dw2=e
    Iout;db2=e’;w2=w2_1+xitedw2’;e是错误值
    %b2=b2_1+xite
    db2’;xite是学习率
    %对于traingdm等函数建立的BP网络,学习速率一般取0.01-0.1之间。
    net.trainParam.show=NaN;
    % net.trainParam.showwindow=false; %高版MATLAB
    %% BP神经网络初始权值和阈值
    w1num=inputnumhiddennum; % 输入层到隐层的权值个数
    w2num=outputnum
    hiddennum;% 隐层到输出层的权值个数
    w1=x(1:w1num); %初始输入层到隐层的权值
    B1=x(w1num+1:w1num+hiddennum); %初始隐层阈值
    w2=x(w1num+hiddennum+1:w1num+hiddennum+w2num); %初始隐层到输出层的阈值
    B2=x(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum); %输出层阈值
    net.iw{1,1}=reshape(w1,hiddennum,inputnum);%输入到隐藏层的权重
    net.lw{2,1}=reshape(w2,outputnum,hiddennum);%隐藏到输出层的权重
    net.b{1}=reshape(B1,hiddennum,1);
    net.b{2}=reshape(B2,outputnum,1);
    %% 训练网络以
    net=train(net,P,T);
    %% 测试网络
    Y=sim(net,P_test);%测试样本的仿真结果
    err=norm(Y-T_test);%测试样本的仿真误差

    callbackfun函数,比较实用遗传算法和不使用遗传算法优化的结果对比
    clc
    %% 不使用遗传算法
    %% 使用随机权值和阈值
    % P:训练样本输入
    % T:训练样本标签
    % P_test:测试样本输入
    % T_test:测试样本期望输出

    inputnum=size(P,1); % 输入层神经元个数
    outputnum=size(T,1); % 输出层神经元个数
    %% 新建BP网络
    net=newff(minmax§,[hiddennum,outputnum],{‘tansig’,‘logsig’},‘trainlm’);
    %% 设置网络参数:训练次数为1000,训练目标为0.01,学习速率为0.1
    net.trainParam.epochs=1000;
    net.trainParam.goal=0.01;
    LP.lr=0.1;
    %% 训练网络以
    net=train(net,P,T);
    %% 测试网络
    disp(['1、使用随机权值和阈值 '])
    disp(‘测试样本预测结果:’)
    Y1=sim(net,P_test)%测试样本的网络仿真输出
    err1=norm(Y1-T_test); %测试样本的仿真误差
    err11=norm(sim(net,P)-T); %训练样本的仿真误差
    disp([‘测试样本的仿真误差:’,num2str(err1)])
    disp([‘训练样本的仿真误差:’,num2str(err11)])

    %% 使用遗传算法
    %% 使用优化后的权值和阈值,利用遗传算法得出来的最优的初始权重和阈值去进行网络的初始化
    inputnum=size(P,1); % 输入层神经元个数
    outputnum=size(T,1); % 输出层神经元个数
    %% 新建BP网络
    net=newff(minmax§,[hiddennum,outputnum],{‘tansig’,‘logsig’},‘trainlm’);
    %% 设置网络参数:训练次数为1000,训练目标为0.01,学习速率为0.1
    net.trainParam.epochs=1000;
    net.trainParam.goal=0.01;
    LP.lr=0.1;
    %% BP神经网络初始权值和阈值
    w1num=inputnumhiddennum; % 输入层到隐层的权值个数
    w2num=outputnum
    hiddennum;% 隐层到输出层的权值个数
    w1=bestX(1:w1num); %初始输入层到隐层的权值
    B1=bestX(w1num+1:w1num+hiddennum); %初始隐层阈值
    w2=bestX(w1num+hiddennum+1:w1num+hiddennum+w2num); %初始隐层到输出层的阈值
    B2=bestX(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum); %输出层阈值
    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);
    %% 训练网络以
    net=train(net,P,T);
    %% 测试网络
    disp([‘2、使用优化后的权值和阈值’])
    disp(‘测试样本预测结果:’)
    Y2=sim(net,P_test)%测试样本的仿真输出
    err2=norm(Y2-T_test);%测试样本的仿真误差
    err21=norm(sim(net,P)-T);%训练样本的仿真误差
    disp([‘测试样本的仿真误差:’,num2str(err2)])
    disp([‘训练样本的仿真误差:’,num2str(err21)])

    运行的结果:
    1、使用随机权值和阈值
    测试样本预测结果:

    Y1 =

    0.8823    0.0030    0.0490
    0.0057    0.9545    0.0103
    0.0000    0.0000    0.9551
    

    2、使用优化后的权值和阈值
    测试样本预测结果:

    Y2 =

    0.9805    0.0180    0.0234
    0.0319    0.9813    0.0154
    0.0121    0.0299    0.9718
    

    测试样本的仿真误差:0.048476
    训练样本的仿真误差:0.1262

    这里写图片描述

    测试样本的仿真误差:0.12883 训练样本的仿真误差:0.22123 之所以训练样本的误差反而更大的原因是训练样本是多于测试样本的,这里训练样本的个数是9个,而测试样本的个数是3个,所以积累的误差比较多。
    这里程序运行所使用的数据及程序我在资源里有上传,可以下载使用学习。

    后记:::BP神经网络——与validation check相关
    ​​在使用神经网络建模过程中,默认把样本随机分为3类:训练样本,验证样本和测试样本。验证样本的检查值默认是6,是指在网络利用训练样本进行训练的过程中,验证样本的误差连续6次迭代不再下降。则,训练终止(这只是训练终止条件之一,其他的如训练步数,目标误差等,满足任一条件,训练过程都将终止)。我们可以这样理解,如果随着网络的训练,验证样本的误差已经基本不再减小,甚至增大,那么就没有必要再去训练网络了。因为即使继续训练下去,当我们利用测试样本进行网络测试时,测试样本的误差同样也不会有所改善,甚至会过度拟合。validation checks已经达到设置的值了,所以网络停止训练,即如果网络在连续max_fail epochs后不能提高网络性能,就停止训练。
    
    通常,有三种方法解决这个问题:
    
    1.提高validation checks的数值,比如设置net.trainParam.max_fail = 200,其实,这就是自己糊弄自己,非常不严谨,严重不推荐。训练时候,出现停止这种情况,就是因为被训练的网络出现了问题,已经过拟合,应该停下来。但6,的确,可能,有点小,建议改为10到20之间的数吧?这个需要细细思量一下,一般情况默认就好吧?
    
    2.修改被训练的网络,比如说再加一个隐藏层试试
    
    3.如果是数据太相近的问题,试试选择用输入训练数据的乱序排法,以及分类​
    

    divideblock,divideind,divideint和dividerand分别是block方法抽取、按数组标号自定义抽取、交错索引抽取和随机抽.
    
    [trainV,valV,testV,trainInd,valInd,testInd] =divideblock(allV,trainRatio,valRatio,testRatio)[训练数据,变量数据,测试数据,训练数据矩阵的标号,变量数据标号,测试数据标号] =divideblock(所有数据,训练数据百分比,变量数据百分比,测试数据百分比)通过设置网络的divideFcn函数来实现,比如,net.divideFcn='divideblock',但不是说不可以在代码中像dividevec直接调用
    

    我们要明白它为什么要停止。连续6次误差不断增大,说明网络性能越训练越差。这可能是两方面原因:
    
    1.过拟合。网络学习得太好了,反而泛化能力下降。
    
    2.网络规模不够大,信息存储能力不够强,原先学习的知识又被新样本抹去了,导致网络性能无法提升。
    
    要解决这个问题:
    
    1.如果要改变validation的验证次数,可以用这个语句net.trainParam.max_fail = 20;  
    
    2.或者是增多隐节点或隐层数。
    
    另外,提前停止的网络虽然陷入局优,但不一定就不能用吧,看一下实际效果;
    
    一般来说,不下降就是增大,不可能误差不变。数据少就降低隐层节点数。​
    
    展开全文
  • 基于遗传算法BP神经网络优化算法,MATLAB智能算法30个案例分析的例程,正确完整
  • 基于遗传算法BP神经网络优化算法matlab程序,matlab可以直接运行
  • 基于遗传算法BP神经网络的股票预测模型 摘要 在目前的股票投资市场,不少自然人股民的投资主要方式使根据对当天或者一个较长周期对股票数据的预测,来得到下一天的股票数据,从而进行相应的投资。为了满足股民...

    摘要

    在目前的股票投资市场,不少自然人股民的投资主要方式使根据对当天或者一个较长周期对股票数据的预测,来得到下一天的股票数据,从而进行相应的投资。为了满足股民希望能更为理性合理准确的预测股票走向,需要借助机器的帮助。本文主要是利用优化过的遗传算法,利用遗传算法调整BP三层神经网络的权重与阈值,使BP神经网络的训练效果得到提升,从而对股票市场的行情有比较好的预测效果。

    关键词 BP神经网络 遗传算法 特征选取

    实验论文节选

    bp神经网络

    bp神经网络

    遗传算法

    遗传算法

    遗传算法的过程:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    实验结果与分析

    3.1 实验设置
    3.1.1 股票数据库的选择
    本实验使用了两种股票种类,为某单支股票(150个)数据与上证综合指数前复权日线(533个)数据,分别保存在两个文件中,将两个数据集的特征向量人工设定为同一列位置,方便后续实验。

    3.1.2 实验参数设置
    本次实验在Matlab环境上运行,分析给予遗传算法的BP神经网络与随机初始化的BP神经网络在股票预测上的差距。
    本次实验所采用的为BP神经网络:训练次数epochs为1000,训练目标goal为0.01,学习速率lr为0.1;遗传算法:群体规模为N=60。

    3.2 实验结果与分析
    实验1:测试未优化的遗传算法运行的预测效果
    本次实验,隐含层神经元个数为3,交叉概率为p_c=0.8,变异概率为p_m=0.05,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。

    在这里插入图片描述
    本次测试出的每一代的最小误差波动很大,而且随着迭代次数的增加,最新一带的最小误差没有明显减小,达不到预期效果。

    实验2:测试带指标变异操作的遗传算法优化的预测效果
    本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,变异概率为p_m=0.05,双点交叉,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
    在这里插入图片描述
    在这里插入图片描述
    本次测试出的每一代的最小误差虽然波动很大,但是可以看出随着迭代次数的增加,最后一代的最小误差有下降的趋势,但是容易陷入局部最优解,可能使由于参数设置的问题。

    实验3:测试优劣同时保留的遗传算法优化的预测效果
    本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,变异概率为p_m=0.05,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
    在这里插入图片描述
    在这里插入图片描述
    本次测试出的每一代的最小误差虽然还是有波动,但是较前两个实验,已经是降低的趋势了,最优误差也是下降的趋势,说明此优化可以帮助算法跳出局部最差解,逼近局部最优解。

    实验4:测试大变异值的自适应的遗传算法优化的预测效果
    本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
    在这里插入图片描述
    在这里插入图片描述
    本次测试出的每一代的最小误差波动相较前几个实验,波动十分巨大,但是产生当前最优解的个数是最大的,说明可以帮助算法跳出局部最优解。

    实验5:遗传算法不同参数的遗传算法优化的预测效果

    可以看出,虽然最终的最终误差相差很小,但是种群个数为100的遗传算法明显要比种群个数为60的遗传算法收敛效果要好,相应的,算法的运行时间也有所增加。

    实验6:BP神经网络算法不同参数的预测效果
    在这里插入图片描述
    可以看出,隐含层神经元个数为3个时,BP神经网络的预测效果更好。


    股票预测模型实验结果对比:实验结果选取证综合指数前复权日线数据的总预测曲线。
    在这里插入图片描述
    在这里插入图片描述图1 普通BP神经网络的预测效果
    图1中,绿色线为股票真实值。可以看出,进行4次的普通BP神经网络算法的预测,预测效果十分不稳定。

    在这里插入图片描述
    图2 优化BP神经网络的预测效果
    图2中,绿色线为股票真实值,红色线为带指标变异操作的遗传算法优化后的BP神经网络的预测值,蓝色线为优劣同时保留的遗传算法优化后的BP神经网络的预测值,黑色线为普通遗传算法优化后的BP神经网络的预测值,紫色线为大变异值的自适应的遗传算法优化后的BP神经网络的预测值。可以看出,这四次实验的预测效果比普通BP神经网络算法的预测效果稳定很多,也更为准确。

    在这里插入图片描述
    在这里插入图片描述图3 优化BP神经网络的预测效果(放大节选)
    从图3中,可以看出,预测效果的最好的是优劣同时保留的遗传算法优化后的BP神经网络,其次是带指标变异操作的遗传算法优化后的BP神经网络,然后是普通遗传算法优化后的BP神经网络,最差的是大变异值的自适应的遗传算法优化后的BP神经网络。

    针对以上实验,可以得知,在遗传算法的优化下BP神经网络的预测值明显比未优化的普通BP神经网络的预测值更为准确和稳定。更进一步对遗传算法进行优化,优化的关键点在于遗传算法的选择、交叉、变异三大操作,优化后预测的准确度也有了进一步的提升

    参考到的资料
    https://download.csdn.net/download/u010667861/9617803
    [1] 史峰,王辉,郁磊,胡斐. MATLAB智能算法30个案例分析——基于遗传算法的BP神经网络优化算法[M]. 北京航空航天大学出版社,2011:27-37.
    [2] 翁苏骏. 遗传算法改进的新思路及其在股市投资中的应用[D]. 厦门:厦门大学,1999.

    完整代码下载:

    注意,代码下载后仍需自行调试~
    有调试能力的人再下载,问关于代码问题的不会回复,应该每个人环境不同,会出现各种问题,需要大家自己解决!!!
    积分值为5(如果有变为csdn自行修改)
    https://download.csdn.net/download/zxm_jimin/10976678
    在这里插入图片描述

    如果出现图书推荐,点击更多资源-》展开-》下拉即可看到,应该是csdn的问题。

    本文为原创,转载请注明出处。

    展开全文
  • MATLAB源码集锦-基于遗传算法Bp神经网络优化算法代码
  • 理解遗传算法的基本思想和基本流程,应用 Sheffield 遗传算法工具箱和 Matlab 神经网 络工具箱,完成基于遗传算法BP 神经网络的初始权阈值的优化,分析算法中各种参数变 化对计算结果的影响,并比较未使用遗传...
  • 神经网络-BP算法- 遗传算法工具箱-干货
  • 介绍BP神经网络的基本原理,提出合理的提升机制动系统故障诊断训练,分析神经网络存在的局部最优解和收敛...分别对原始的BP神经网络和改进后的神经网络进行仿真分析,结果显示基于遗传算法优化后的BP神经网络优势明显。
  • 基于遗传算法BP神经网络

    千次阅读 2019-04-14 16:32:40
    基于遗传算法BP神经网络 源码地址:https://github.com/Grootzz/GA-BP 介绍: 利用遗传算法并行地优化BP网络的权值和阈值,从而避免了BP网络在优化权值和阈值时陷入局部最优的缺点 背景: 这个项目的背景为客运量...

    基于遗传算法的BP神经网络

    源码地址:https://github.com/Grootzz/GA-BP
    介绍:
    利用遗传算法并行地优化BP网络的权值和阈值,从而避免了BP网络在优化权值和阈值时陷入局部最优的缺点

    背景:
    这个项目的背景为客运量和货运量的预测

    文件介绍:

    1. freightFlow.xlsx : 货运量数据集,前7列为影响货运量的因素,第8列为货运量
    2. passengerFlow.xlsx : 客运量数据集,前7列为影响货运量的因素,第8列为客运量
    3. Data.mat:这是一个结构体,成员P为从客运量数据集,成员F为货运量数据集

    函数概述:

    1. gadecod:对输入的染色体编码,编码方式一般有两种,实数编码和二进制编码。
      此项目中对应的为实数编码,所以编码后的值即为解码后的值。
    2. getBPinfo:获取BP网络的基本信息。
    3. gabpEval:计算适应度
    4. normInit:数据获取,存入结构体Data.mat
    5. mainFun:主函数,完成训练和预测

    GAOT使用说明:

    因为项目中用到了GAOT工具包中的函数,所以需要将GAOT工具包加入路径。
    操作步骤为:点击GAOT文件—>添加到路径—>选定文件夹和子文件夹
    这样,工程中就可以调用GAOT工具包中的函数了

    初始种群的生成函数:

    [pop]=initializega(num,bounds,eevalFN,eevalOps,options)

    • 【输出参数】

    pop–生成的初始种群

    • 【输入参数】

    num–种群中的个体数目
    bounds–代表变量的上下界的矩阵
    eevalFN–适应度函数
    eevalOps–传递给适应度函数的参数
    options–选择编码形式(浮点编码或是二进制编码)[precision F_or_B]
    precision–变量进行二进制编码时指定的精度
    F_or_B–为1时选择浮点编码,否则为二进制编码,由precision指定精度)

    遗传算法函数:

    [x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)
    【输出参数】
    x--求得的最优解
    endPop--最终得到的种群
    bPop--最优种群的一个搜索轨迹
    traceInfo--每一代的最好的适应度和平均适应度
    【输入参数】
    bounds--代表变量上下界的矩阵
    evalFN--适应度函数
    evalOps--传递给适应度函数的参数
    startPop-初始种群
    opts[epsilonprob_opsdisplay]--opts(1:2)等同于initializega的options参数,第三个参数控制是否输出,一般为0。如[1e-610]
    termFN--终止函数的名称,如['maxGenTerm']
    termOps--传递个终止函数的参数,如[100]
    selectFN--选择函数的名称,如['normGeomSelect']
    selectOps--传递个选择函数的参数,如[0.08]
    xOverFNs--交叉函数名称表,以空格分开,如['arithXoverheuristicXoversimpleXover']
    xOverOps--传递给交叉函数的参数表,如[20;23;20]
    mutFNs--变异函数表,如['boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation']
    mutOps--传递给交叉函数的参数表,如[400;61003;41003;400]
    

    源码地址:https://github.com/Grootzz/GA-BP

    展开全文
  • 本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且...
  • 数学建模源码集锦-基于遗传算法BP神经网络优化算法应用实例.zip
  • 利用遗传算法进行优化BP神经网络的传递函数,使得优化后的预测误差偏小,进而预测的更加准确
  • 基于遗传算法优化的BP神经网络,在MATLAB2016a中测试通过,分享给有需要的人
  • 基于遗传算法BP 神经网络的应用 非线性函数拟合 摘要 人工神经网络在诸多领域得到应用如信息工程自动控制 电子技术目标识别数学建模图像处理等领域并且随着神经网 络算啊发的不断改进以及其他新算法的结合使其...
  • 随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义,针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法神经网络的拓扑结构和网络...
  • 基于遗传算法BP神经网络优化

    千次阅读 2020-03-04 09:45:51
    基于遗传算法BP神经网络优化 1 前言 BP神经网络是人工神经网络中应用最广泛的算法,但是也存在一些缺陷,例如学习收敛速度太慢,不能保证收敛到全局最小点、网络结构不易确定。另外,网络结构、初始连接权值和阈值...

    基于遗传算法的BP神经网络优化

    1 前言
    BP神经网络是人工神经网络中应用最广泛的算法,但是也存在一些缺陷,例如学习收敛速度太慢,不能保证收敛到全局最小点、网络结构不易确定。另外,网络结构、初始连接权值和阈值的选择对网络训练的影响很大,但是又无法准确获得,针对这些特点可以采用遗传算法对神经网络进行优化。
    注:此篇文章为个人学习笔记总结,如有资源冒犯,请与我联系,我将立即进行处理,谢谢

    2 思路与步骤
    遗传算法优化BP神经网络主要分为三步:BP神经网络结构的确定、遗传算法优化权值和阈值、BP神经网络训练与预测。

    2.1 BP神经网络结构的确定

    • 网络创建
      BP网络结构的确定有以下两条比较重要的指导原则。
      1 .对于一般的模式识别问题,三层网络可以很好地解决问题
      2 .在三层网络中,隐含层神经网络个数n2和输入层神经元个数n1之间有近似关系:n2=2n1+1
      也可用其余的关系计算隐含层个数,如下:
      (1) m=√(n+l) + a
      m为隐含层个数,n为输入层节点数,l为输出层节点数,a为1-10之间的常数
      (2) m=√(n
      l)
      m为隐含层个数,n为输入层节点数,l为输出层节点数
      (3) m=log2(n)
      m为隐含层个数,n为输入层节点数
    • 传递函数
      logsig 输入值为任意值,输出值为0~1之间
      tansig 输入值为任意值,输出值为-1~1之间

    2.2遗传算法
    基本要素:染色体编码方式、适应度函数、遗传操作、运行参数
    其中运行参数是遗传算法初始化时确定的参数,主要包括:群体大小M、遗传代数G、交叉概率Pt、变异概率Pm

    • 种群初始化
      种群中每个个体都包含一个网络所有的权值和阈值
      编码时可采用实数编码或者二进制编码。

    • 适应度函数
      可以选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出

    • 选择

    1. 轮盘赌算法
      轮盘赌算法又称比例算法,各个个体被选中的概率与其适应度大小成正比
      (1)计算出种群中每个个体的适应度值f(i=1、2、3、……、M),M为种群大小
      (2)计算机出每个个体被遗传到下一代群体中的概率
      (3)计算出每个个体的累计概率
      根据得到的累计概率结合自身的要求选择所需的个体
    2. 锦标赛算法
      从群体中随机选择k个个体,将其中适应度最高的个体保存到下一代。这一过程反复执行,直到保存到下一代的个体数达到预先设定的数量为止。参数k为竞赛规模。
    • 交叉
      交叉概率是用来确定两个染色体进行局部的交换以产生两个新的子代的概率,一般取值为0.25~1.00。实验表明交叉概率通常取值为0.7左右是理想的。
    • 变异
      通常变异概率为0.001左右。

    3 结语
    遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值与阈值,其基本思想是用个体代表网络的初始权值和阈值,把预测样本的BP神经网络的预测误差的范数作为目标函数的输出,进而计算该个体的适应度值,通过选择、交叉、变异操作寻找最优个体,即最优的BP神经网络初始权值和阈值。

    一个较好的遗传算法优化BP神经网络的案例可见《matlab智能算法30个案例分析》

    展开全文
  • 基于遗传算法-BP神经网络的突出强度预测,陈见行,韩志婷,煤与瓦斯突出强度的预测对研究煤与瓦斯突出现、保证矿井安全正常生产有着重要意义,本文提出采用遗传算法结合BP神经网络的模型来�
  • 基于遗传算法优化BP神经网络的非线性环境建模,尚志豪,宋荆洲,本文为研究基于遗传算法优化的BP神经网络构建非线性环境动力学模型,搭建了的单自由度力反馈遥操作实验平台及两种典型操作环境。�
  • 程序为遗传算法优化BP神经网络的PID控制,收敛性能较好,具有较大参考意义,可以学习。程序为遗传算法优化BP神经网络的PID控制,收敛性能较好,具有较大参考意义,可以学习
  • 本发明公开了一种基于遗传算法优化BP神经网络的风电功率预测方法,从风电功率预测系统的数据处理模块中获取预测参考数据;对参考数据建立BP神经网络的预测模型,并采用多种群编码对应BP神经网络的不同结构,每个种群...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,295
精华内容 918
关键字:

基于遗传算法的bp神经网络