【RBF预测】基于粒子群优化RBF神经网络实现对数据预测附matlab代码

1 简介

溶解氧浓度是渔业养殖水质安全的重要指标,也是影响养殖水产品健康的关键因素,对其进行实时监测和预测具有重要意义.溶解氧受环境中pH值等参数影响,针对溶解氧的变化情况该文采用MI_PSO_RBF(互信息_粒子群_RBF神经网络)算法对渔业养殖环境溶解氧含量进行预测,首先采用互信息理论MI降低两个随机变量统计的相关性;然后采用径向基函数RBF神经网络算法对渔业养殖水环境中溶解氧变化趋势进行预测;最后采用粒子群算法PSO对RBF神经网络的模型参数进行优化,并利用该模型对渔业养殖溶解氧变化趋势进行预测.经实验验证表明,多参数远程监测系统稳定性好,基于MI_PSO_RBF的溶解氧预测算法预测效果良好,为渔业养殖提供了良好的参考价值.

2 部分代码

登录后复制

          
          

           
           clc;
           
           
clear;
           
           
tic;
           
           
SamNum=100;                         %训练样本数
           
           
TargetSamNum=100;                   %测试样本数
           
           
InDim=1;                            %样本输入维数
           
           
UnitNum=2;                          %隐节点数
           
           
MaxEpoch=1200;                      %最大训练次数
           
           
%E0=0.2;                             %目标误差
           
           
gbesthistory=[];
           
           
% 根据目标函数获得样本输入输出(训练样本)
           
           
rand('state',sum(100*clock));
           
           
%NoiseVar=0.0005;
           
           
%Noise=NoiseVar*randn(1,SamNum);
           
           
load data1
           
           
SamIn=c1';
           
           
%SamIn=8*rand(1,SamNum)-4;
           
           
SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
           
           
%SamOut=SamOutNoNoise+Noise;
           
           
end
           
           
toc;
           
           
% 测试
           
           
Center=gbest(1,1:3);
           
           
SP=gbest(1,4:6); 
           
           
W=gbest(1,7:9);
           
           
TestDistance=dist(Center',TargetIn);
           
           
TesatSpreadsMat=repmat(SP',1,TargetSamNum);
           
           
TestHiddenUnitOut=radbas(TestDistance./TesatSpreadsMat);
           
           
TestNNOut=W*TestHiddenUnitOut;
           
           
Error=TargetOut-TestNNOut;%网络误差
           
           
MSE=(sumsqr(Error)/TargetSamNum);
           
           
plot(TargetIn,TestNNOut,'r-','linewidth',3)
           
           
legend('Real output','APSO-RBF output')
           
           
figure
           
           
hold on
           
           
grid
           
           
plot(Error,'k-')
           
           
legend('Error')
           
           
%  绘制学习误差曲线
           
           
figure
           
           
hold on
           
           
grid
           
           
%[xx,Num]=size(errhistory);
           
           
plot(mse,'k-');
           
           
legend('mse')
          
          

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.
• 44.
• 45.

3 仿真结果

4 参考文献

[1]魏小敏, 张宝峰, 朱均超,等. 基于PSO优化RBF神经网络的溶解氧预测算法研究[J]. 自动化与仪表, 2018, 33(5):4.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。