【开盘指数预测】遗传算法优化小波神经网络GA-ANN股票开盘指数预测【含Matlab源码 2014期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab神经网络预测与分类（仿真科研站版）仿真内容点击👇
Matlab神经网络预测与分类（仿真科研站版）

⛄一、遗传算法优化小波神经网络简介

1 小波神经网络
1.1 小波神经网络结构
小波神经网络分为松散型与融合型两类, 前者将小波分析作为神经网络的前置手段, 对网络输入初步优化, 使得信息便于神经网络的处理, 但这类WNN并未改变隐含层的传递函数, 依然存在神经网络的固有缺陷;后者采用小波元替代神经元, 用小波函数的伸缩、平移参数替代输入层到隐含层的权值及隐含层阈值, 是小波和神经网络的直接融合。本文研究采用融合性WNN, 其网络拓扑结构如图1所示。

图1 融合性小波神经网络拓扑结构图
图1中各个字母代表含义如下:
x1, x2, …, xM:输入层数据;
wj, k:输入层到隐含层的权值参数;
ψa, b (x) :小波基函数, 本文采用Morlet函数, 其表达式如下:

a、b分别为小波基函数的伸缩参数和平移参数;
wi, j:隐含层到输出层的权值参数;
σ (I-t) :输出层Sigmoid函数, 其表达式如下:

I、t分别为输出的输入和阈值。

y1, y2, …, yN:输出层数据。

1.2 小波神经网络算法思想
为求得WNN的稳定结构, 首先借助训练集数据进行学习, 其次借助测试集数据对网络结构验证。在学习过程的第一阶段, 将经隐含层处理的样本数据作为输出向前传播, 然后与期望输出对比, 若不匹配, 则进入第二阶段。此阶段将输出误差以某种形式反向传至各层神经元, 从而获取调整各个神经元权值的误差信号。经过两个阶段重复迭代, 修正WNN网络的参数。在训练中, 以输出误差限定值或设定的迭代次数作为终止条件。整体思想如以下伪代码所示:

While不满足终止条件{
遍历训练集中的每个样本:
#1将每个样本输入沿着网络前向传播计算
输入层到隐含层:
隐含层输入表达式:

隐含层输出表达式:

隐含层到输出层:

输出层输入表达式:

输出层输出表达式:

#2使用误差项后项传播

误差函数:

式中:P为样本个数, dnp为输出层第n个节点的期望输出, ynp为实际输出。

输出层权重更新表达式:

输出层阈值调整表达式:

隐含层权值调整表达式:

伸缩参数调整表达式:

平移参数调整表达式:

式 (8) -式 (12) 中η均为小波神经网络的学习效率。

2 GA优化WNN预测算法
2.1 遗传算法
遗传算法GA (Genetic Algorithm) 是借鉴生物界优胜劣汰的进化规律演化而来的一种并行随机搜索算法, 其主要思想是把问题参数编码为染色体, 对染色体进行一系列运算。即由选择算子获得优良个体遗传给下一代;利用交叉算子进行模式重组;利用变异算子进行模式突变。经过循环这些遗传操作, 种群向有利的方向进化, 最终得到所求问题最优解。遗传算法的随机搜索能力, 使其能够避免陷入局部最优, 且有着较好的收敛速度, 可以在小波参数优化问题上充分发挥优势。

遗传算法优化的主要要素:

(1) 编码设置由于待优化参数较多, 文中遗传算法采用实数编码, 通过对种群中具有某种形式的个体进行遗传操作, 获取群体中最优个体, 然后通过解码得到网络最佳参数。

(2) 适应度函数遗传算法在迭代过程中将适应度函数作为个体优劣的评价依据, 其评估结果可直接作为选择算子的依据, 不需要外部信息。本文中适应度函数确定为:

式中:E是小波神经网络的误差函数。

(3) 遗传操作遗传操作是遗传算法的核心, 其目的是通过逐代优化获得问题最优解, 包括三个基本遗传算子:选择、交叉、变异。

选择算子, 在迭代过程中选择优质的个体, 淘汰劣质的个体, 本文采用基于适应度比例选择策略的轮盘赌法。

交叉算子, 选择操作后的新一代群体, 按一定的概率在两两之间进行交叉操作。交叉概率PC的大小将影响算法的全局搜索能力, 一般较大的交叉概率可以促进种群进化。

变异算子, 随机改变种群个体编码串上的值, 即某个个体的个别基因发生0-1反转。变异操作按一定的概率Pm进行, 其目的一方面是使算法具有局部搜索能力, 另一方面是保持群体多样性, 防止早熟现象的发生。

2.2 GA-WNN工作步骤
利用遗传算法对网络权值优化的全局搜索能力与神经网络良好的逼近能力, 可以对复杂的短时交通流量建模, 克服了传统小波神经网络训练时易陷入局部极值的弊端。遗传算法优化小波神经网络的原理如图2所示。

图2 遗传算法优化小波神经网络流程图

算法的基本步骤如下:

Step1设种群规模为M。随机生成初始种群N= (N1, N2, …, NM) , 采用实数编码对个体Ni编码。

Step2用Step1中的种群N进行训练, 此时的WNN参数由初始化获得。

Step3计算种群N中每个个体的适应度值。若满足终止条件则跳至Step6, 不满足则执行Step4。

Step4对于适应度大的个体, 选择其中一部分直接继承给下一代, 同时将遗传操作后产生的最差个体用父代适应度最大的个体替代。

Step5对当前一代群体进行交叉和变异等遗传操作, 产生下一代群体, 转Step3。

Step6循环结束, 将最后一代群体中最优个体的解码还原值作为WNN的初始参数。

Step7采用Step6获取的最优参数建立短时交通流量预测模型。

⛄二、部分源代码

tic
% 清空环境变量
clc,clear
% 网络参数配置
load stock_index
%节点个数
inputnum=6;
hiddennum=7;
outputnum=1;
NIND=40; %个体数目
MAXGEN=50; %最大遗传代数
NVAR=inputnumhiddennum+hiddennum+hiddennum+hiddennumoutputnum; %变量维数
PRECI=inputnumhiddennum+hiddennum+hiddennum+hiddennumoutputnum; %变量二进制位数
GGAP=0.9; %代沟
% 输入输出数据归一化
[inputn,inputps]=mapminmax(input’);
[outputn,outputps]=mapminmax(output’);
inputn=inputn’;
outputn=outputn’;
%节点初始化
y=zeros(1,outputnum);
net=zeros(1,hiddennum);
net_ab=zeros(1,hiddennum);
%遗传算法
trace=zeros(MAXGEN,2);
FieldD=[rep([PRECI],[1,NVAR]);rep([0;1],[1,NVAR]);rep([1;0;1;1],[1,NVAR])];
Chrom=crtbp(NIND,NVAR*PRECI);
C_x=bs2rv(Chrom,FieldD);
gen=0;
%调用函数
for i=1:NIND
ObjV(i,1)=objfun(C_x(i,:),y,inputnum,hiddennum,outputnum,net,input,inputn,outputn);
end
while gen<MAXGEN,
FitnV=ranking(ObjV);
SelCh=select(‘sus’,Chrom,FitnV,GGAP);
SelCh=recombin(‘xovsp’,SelCh,0.7);
SelCh=mut(SelCh);
for i=1:size(SelCh,1)
C_y=bs2rv(SelCh,FieldD);
ObjVSel(i,1)=objfun_1(C_y(i,:),y,inputnum,hiddennum,outputnum,net,input,inputn,outputn);
end
[Chrom ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel);
gen=gen+1;
[Y,I]=min(ObjV);
trace(gen,1)=min(ObjV);
trace(gen,2)=sum(ObjV)/length(ObjV);

  plot(trace(:,1));hold on;
  plot(trace(:,2),'-.');grid;
  legend('种群均值变化','解的变化')

end
bestchrom=C_x(I,:);
%
Wjk=bestchrom(1:inputnumhiddennum);
b=bestchrom(inputnumhiddennum+1:inputnumhiddennum+hiddennum);
a=bestchrom(inputnumhiddennum+hiddennum+1:inputnumhiddennum+hiddennum+hiddennum);
Wij=bestchrom(inputnumhiddennum+hiddennum+hiddennum+1:inputnumhiddennum+hiddennum+hiddennum+hiddennumoutputnum);
%赋给网络权值和阈值
Wjk=reshape(Wjk,hiddennum,inputnum);Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij=reshape(Wij,outputnum,hiddennum);Wij_1=Wij;Wij_2=Wij_1;
b=reshape(b,1,hiddennum);b_1=b;b_2=b_1;
a=reshape(a,1,hiddennum);a_1=a;a_2=a_1;

lr1=0.01; %学习概率
lr2=0.001; %学习概率
maxgen=100; %迭代次数
%节点初始化
y=zeros(1,outputnum);
net=zeros(1,hiddennum);
net_ab=zeros(1,hiddennum);

%权值学习增量初始化
d_Wjk=zeros(hiddennum,inputnum);
d_Wij=zeros(outputnum,hiddennum);
d_a=zeros(1,hiddennum);
d_b=zeros(1,hiddennum);
% 网络训练
for i=1:maxgen

%误差累计
error(i)=0;

% 循环训练
for kk=1:size(input,1)
    x=inputn(kk,:);
    yqw=outputn(kk,:);

    for j=1:hiddennum
        for k=1:inputnum
            net(j)=net(j)+Wjk(j,k)*x(k);
            net_ab(j)=(net(j)-b(j))/a(j);
        end
        temp=mymorlet(net_ab(j));
        for k=1:outputnum
            y=y+Wij(k,j)*temp;   %小波函数
        end
    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] 李会超,李鸿,张博.基于遗传算法优化小波神经网络的短时交通流量预测[J].计算机应用与软件. 2018,35(07)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置