正文

bp回归预测基于matlab思维进化算法优化bp神经网络回归预测含matlab源码2031期(代码片段)

海神之光  海神之光  2022-12-02  238

关键词：

一、思维进化算法及BP神经网络简介

1 思维进化算法的选择与改进
1.1 算法选择
深度学习与人工智能发展迅速，在疾病预测方面也起到至关重要的作用。通过对比Logistic回归模型和BP神经网络两种模型，并将模型预测结果与传统的Logistic回归模型预测结果进行分析发现，基于BP神经网络建立2型糖尿病预测模型较好，最终选择BP神经网络作为糖尿病并发症的预测模型[14]。

1.2 算法基本思路
在思维进化算法的解空间内，由于思维进化算法(mind evolutionary algorithm,MEA)可以记忆不止一代的进化信息，因此会随机产生不同规模大小的个体，根据这一特点可以在解空间中搜索出得分最高的、性能最好的临时个体和优胜个体。将得分最高的临时个体与优胜个体作为整个解空间的中心点，并在其周围产生和包裹一层层的新的个体。可以在整个解空间内进行子群体内部执行趋同操作，直至解空间的所有个体基本成熟后，并以该子群体中最优个体(即中心)的得分作为该子群体的得分。将整个解空间分为临时个体和优胜个体两个部分，因此其趋同与异化操作可以同时进行，互不影响和干扰，并可分别提高准确率，从而为改进BP神经网络的权值和阈值起到至关重要的作用。

2 思维进化算法优化BP神经网络
BP神经网络具有多层前馈神经网络,信号向前传播,误差反向传递,根据预测的误差实时调整网络的权值和阈值,进而使得预测值不断接近期望值。其训练过程如图1所示,主要包括以下步骤,首先对网格初始化,确定计算的初始权值和阈值,将样本数据输入至模型后,会计算出隐层各神经元的输入以及输出,接着计算输出层神经元的输入与输出,获取计算输出层和隐层的误差,根据误差值,对输出层进行修正,并且修改隐层的权值和阈值,判断迭代步数以及误差值是否满足设定值,进而决定是否终止训练。

图1 BP神经网络训练流程图

由以上步骤的分析,在算法中有两个关键的参数是神经网络初始的权值和阈值,这两个值可以决定算法的效率和预测精度,为了更好地确定BP神经网络中的权值和阈值,故引入思维进化算法对其展开研究。

思维进化算法的核心类似于人类思维的进化过程,是在遗传算法基础上衍生出来的新型进化算法,在保留遗传算法的基础啊上,提出新的“趋同”和“异化”两种新的操作算子,通过趋同、异化等操作,不断迭代使得预测值与期望值逐渐逼近。其基本流程如图2所示,在获取样本数据之后,算法会产生初始种群、优胜子种群以及临时子种群,之后子种群执行趋同操作,获取成熟的子群体,之后进行异化操作进而获取全局最优的个体,将此个体作为训练BP神经网络的初始权值和阈值,使得BP神经网络以更快的速率和精度获取预测值。

二、部分源代码

%% 清空环境变量
clear
clc
close all
warning off
%% 导入数据
load data
data=[attributes’ strength’];
% 输入数据
input =data(:,1:4)‘;
output=data(:,5)’;
% 随机生成训练集、测试集
k = randperm(size(input,2));
N = 24;
% 训练集
P_train=input(:,k(1:N));
T_train=output(k(1:N));
% 测试集
P_test=input(:,k(N+1:end));
T_test=output(k(N+1:end));

%% 归一化
% 训练集
[Pn_train,inputps] = mapminmax(P_train);
Pn_test = mapminmax(‘apply’,P_test,inputps);
% 测试集
[Tn_train,outputps] = mapminmax(T_train);
Tn_test = mapminmax(‘apply’,T_test,outputps);

%% 参数设置
popsize = 200; % 种群大小
bestsize = 5; % 优胜子种群个数
tempsize = 5; % 临时子种群个数
SG = popsize / (bestsize+tempsize); % 子群体大小
S1 = size(Pn_train,1); % 输入层神经元个数
S2 = 5; % 隐含层神经元个数
S3 = size(Tn_train,1); % 输出层神经元个数
iter = 10; % 迭代次数

%% 随机产生初始种群
initpop = initpop_generate(popsize,S1,S2,S3,Pn_train,Tn_train);

%% 产生优胜子群体和临时子群体
% 得分排序
[sort_val,index_val] = sort(initpop(:,end),‘descend’);
% 产生优胜子种群和临时子种群的中心
bestcenter = initpop(index_val(1:bestsize)😅;
tempcenter = initpop(index_val(bestsize+1:bestsize+tempsize)😅;
% 产生优胜子种群
bestpop = cell(bestsize,1);
for i = 1:bestsize
center = bestcenter(i,:);
bestpopi = subpop_generate(center,SG,S1,S2,S3,Pn_train,Tn_train);
end
% 产生临时子种群
temppop = cell(tempsize,1);
for i = 1:tempsize
center = tempcenter(i,:);
temppopi = subpop_generate(center,SG,S1,S2,S3,Pn_train,Tn_train);
end

while iter > 0
%% 优胜子群体趋同操作并计算各子群体得分
best_score = zeros(1,bestsize);
best_mature = cell(bestsize,1);
for i = 1:bestsize
best_maturei = bestpopi(1,:);
best_flag = 0; % 优胜子群体成熟标志(1表示成熟，0表示未成熟)
while best_flag == 0
% 判断优胜子群体是否成熟
[best_flag,best_index] = ismature(bestpopi);
% 若优胜子群体尚未成熟，则以新的中心产生子种群
if best_flag == 0
best_newcenter = bestpopi(best_index,:);
best_maturei = [best_maturei;best_newcenter];
bestpopi = subpop_generate(best_newcenter,SG,S1,S2,S3,Pn_train,Tn_train);
end
end
% 计算成熟优胜子群体的得分
best_score(i) = max(bestpopi(:,end));
end
% 绘图(优胜子群体趋同过程)
figure(1)
temp_x = 1:length(best_mature1(:,end))+5;
temp_y = [best_mature1(:,end);repmat(best_mature1(end),5,1)];
plot(temp_x,temp_y,‘b-o’)
hold on
temp_x = 1:length(best_mature2(:,end))+5;
temp_y = [best_mature2(:,end);repmat(best_mature2(end),5,1)];
plot(temp_x,temp_y,‘r-^’)
hold on
temp_x = 1:length(best_mature3(:,end))+5;
temp_y = [best_mature3(:,end);repmat(best_mature3(end),5,1)];
plot(temp_x,temp_y,‘k-s’)
hold on
temp_x = 1:length(best_mature4(:,end))+5;
temp_y = [best_mature4(:,end);repmat(best_mature4(end),5,1)];
plot(temp_x,temp_y,‘g-d’)
hold on
temp_x = 1:length(best_mature5(:,end))+5;
temp_y = [best_mature5(:,end);repmat(best_mature5(end),5,1)];
plot(temp_x,temp_y,‘m-*’)
legend(‘子种群1’,‘子种群2’,‘子种群3’,‘子种群4’,‘子种群5’)
xlim([1 10])
xlabel(‘趋同次数’)
ylabel(‘得分’)
title(‘优胜子种群趋同过程’)

%% 临时子群体趋同操作并计算各子群体得分
temp_score = zeros(1,tempsize);
temp_mature = cell(tempsize,1);
for i = 1:tempsize
    temp_maturei = temppopi(1,:);
    temp_flag = 0;                % 临时子群体成熟标志(1表示成熟，0表示未成熟)
    while temp_flag == 0
        % 判断临时子群体是否成熟
        [temp_flag,temp_index] = ismature(temppopi);
        % 若临时子群体尚未成熟，则以新的中心产生子种群
        if temp_flag == 0
            temp_newcenter = temppopi(temp_index,:);
            temp_maturei = [temp_maturei;temp_newcenter];
            temppopi = subpop_generate(temp_newcenter,SG,S1,S2,S3,Pn_train,Tn_train);
        end
    end
    % 计算成熟临时子群体的得分
    temp_score(i) = max(temppopi(:,end));
end
 % 绘图(临时子群体趋同过程)
figure(2)
temp_x = 1:length(temp_mature1(:,end))+5;
temp_y = [temp_mature1(:,end);repmat(temp_mature1(end),5,1)];
plot(temp_x,temp_y,'b-o')
hold on
temp_x = 1:length(temp_mature2(:,end))+5;
temp_y = [temp_mature2(:,end);repmat(temp_mature2(end),5,1)];
plot(temp_x,temp_y,'r-^')
hold on
temp_x = 1:length(temp_mature3(:,end))+5;
temp_y = [temp_mature3(:,end);repmat(temp_mature3(end),5,1)];
plot(temp_x,temp_y,'k-s')
hold on
temp_x = 1:length(temp_mature4(:,end))+5;
temp_y = [temp_mature4(:,end);repmat(temp_mature4(end),5,1)];
plot(temp_x,temp_y,'g-d')
hold on
temp_x = 1:length(temp_mature5(:,end))+5;
temp_y = [temp_mature5(:,end);repmat(temp_mature5(end),5,1)];
plot(temp_x,temp_y,'m-*')
legend('子种群1','子种群2','子种群3','子种群4','子种群5')
xlim([1 10])
xlabel('趋同次数')
ylabel('得分')
title('临时子种群趋同过程')

%% 异化操作
[score_all,index] = sort([best_score temp_score],'descend');
% 寻找临时子群体得分高于优胜子群体的编号
rep_temp = index(find(index(1:bestsize) > bestsize)) - bestsize;
% 寻找优胜子群体得分低于临时子群体的编号
rep_best = index(find(index(bestsize+1:end) < bestsize+1) + bestsize);

% 若满足替换条件
if ~isempty(rep_temp)
    % 得分高的临时子群体替换优胜子群体
    for i = 1:length(rep_best)
        bestpoprep_best(i) = temppoprep_temp(i);
    end
    % 补充临时子群体，以保证临时子群体的个数不变
    for i = 1:length(rep_temp)
        temppoprep_temp(i) = initpop_generate(SG,S1,S2,S3,Pn_train,Tn_train);
    end
else
    break;
end

%% 输出当前迭代获得的最佳个体及其得分
if index(1) < 6
    best_individual = bestpopindex(1)(1,:);
else
    best_individual = temppopindex(1) - 5(1,:);
end

iter = iter - 1;

end

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韦哲,石栋栋,王能才,赵刚,王玉珍,石恒兵.基于思维进化算法优化的BP神经网络对糖尿病并发症的预测研究[J].中国医学装备. 2020,17(10)

[2]冯培存,魏正英,张育斌,张千,张磊,贾维兵.基于思维进化算法优化BP神经网络的温室甜瓜ET0预测研究[J].节水灌溉. 2019,(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

bp回归预测基于matlab文化算法优化bp神经网络数据回归预测含matlab源码2124期

一、文化算法及BP神经网络简介1文化粒子群算法原理本文提出的文化粒子群算法采用文化算法的双层演化结构。[4]算法包含两个进化空间,一个是由具体个体组成的群体空间;另一个是由在进化过程中获取的经验和知识组成的信念... 查看详情

bp回归预测基于matlab文化算法优化bp神经网络数据回归预测含matlab源码2124期

优化预测基于matlab差分进化算法优化bp神经网络预测含matlab源码1315期

一、差分进化算法简介1前言在遗传、选择和变异的作用下，自然界生物体优胜劣汰，不断由低级向高级进化和发展。人们注意到，适者生存的进化规律可以模式化，从而构成一些优化算法；近年来发展的进化计算类算法受到了... 查看详情

优化预测基于matlab鲸鱼优化算法优化bp回归预测含matlab源码w002期

一、简介1BP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。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... 查看详情

bp回归预测基于matlabga优化bp回归预测（含优化前的对比）含matlab源码1901期(代码片段)

一、相关技术原理简介1BP神经网络原理反向传播（BackPropagation,BP）神经网络于1986年由Rumelhart和McCelland领导的科学家小组提出，是一种按误差逆传播算法训练的多层前馈神经网络。BP神经网络能学习和存贮大量的输入与... 查看详情

bp回归预测基于matlab改进的鲸鱼算法优化bp神经网络回归预测（多输入单输出）含matlab源码2184期(代码片段)

一、鲸鱼算法优化BP神经网络简介1鲸鱼优化算法（WhaleOptimizationAlgorithm，WOA）简介鲸鱼优化算法(WOA)，该算法模拟了座头鲸的社会行为，并引入了气泡网狩猎策略。1.1灵感鲸鱼被认为是世界上最大的哺乳动物。... 查看详情

优化预测基于matlabga优化bp回归预测（含优化前的对比）含matlab源码w001期

一、遗传算法简介1引言2遗传算法理论2.1遗传算法的生物学基础2.2遗传算法的理论基础查看详情

bp回归预测基于matlab随机蛙跳算法sfla优化神经网络数据回归预测含matlab源码2272期

⛄一、蛙跳算法1改进的免疫蛙跳算法免疫蛙跳算法具有混合蛙跳算法的全局优化与局部细致搜索优点,可以优化连续问题和离散问题,具有较强的鲁棒性;同时,群体具有的免疫机制对群体进行控制和调节,把目标函数和制约条件作为... 查看详情

风电功率预测基于matlab帝国殖民竞争算法优化bp神经网络风电功率预测含matlab源码1314期

一、帝国殖民竞争算法简介帝国竞争算法是基于人类社会政治进化现象提出的智能优化算法，算法中的每个国家均表示为一个可能的解空间，在模拟社会政治进化的过程中逐渐优化国家的解空间，找到最优解。算法主要包括帝国... 查看详情

优化预测基于matlab蝙蝠算法优化bp神经网络预测含matlab源码1379期

一、BP神经网络简介1BP神经网络概述BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科研小组提出，参见他们发表在Nature上的论文Learningrepresentationsbyback-propagatingerrors。BP神经网络是一种按误差逆传播算法训练的多层前... 查看详情

优化预测基于matlab蝙蝠算法优化bp神经网络预测含matlab源码1379期

优化预测基于matlab粒子群算法优化bp神经网络预测含matlab源码f003期

...权值和阈值,解决局部极小点问题,提高BP神经网络算法的预测精度。在PSO中,整个搜索空间的维数D。第i个粒子的位置见式(3)。图2PSO-BP的算法流程二、部分源代码查看详情

优化预测基于matlab灰狼算法优化bp神经网络预测含matlab源码1720期(代码片段)

...速度慢、容易陷入局部最优等缺陷,在很大程度上影响了预测结果。BP模型如图1所示,该模型包括输入层、隐层、输出层,其中W、V为连接权矩阵,跨层的神经元之间则不连接。查看详情

优化预测基于matlab灰狼算法优化bp神经网络预测含matlab源码f001期

优化预测基于matlab遗传算法优化bp神经网络预测含matlab源码1376期

一、遗传算法简介1引言2遗传算法理论2.1遗传算法的生物学基础2.2遗传算法的理论基础查看详情

优化预测基于matlab遗传算法优化bp神经网络预测含matlab源码1376期

一、遗传算法简介1引言2遗传算法理论2.1遗传算法的生物学基础2.2遗传算法的理论基础查看详情

bp预测基于遗传算法优化bp神经网络实现数据预测matlab源码(代码片段)

一、BP神经网络预测算法简介说明：1.1节主要是概括和帮助理解考虑影响因素的BP神经网络算法原理，即常规的BP模型训练原理讲解（可根据自身掌握的知识是否跳过）。1.2节开始讲基于历史值影响的BP神经网... 查看详情

bp预测基于鲸鱼算法优化bp神经网络实现数据预测matlab源码(代码片段)

一、BP神经网络预测算法简介说明：1.1节主要是概括和帮助理解考虑影响因素的BP神经网络算法原理，即常规的BP模型训练原理讲解（可根据自身掌握的知识是否跳过）。1.2节开始讲基于历史值影响的BP神经网络... 查看详情