【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比

最新推荐文章于 2024-07-22 14:53:15 发布
最新推荐文章于 2024-07-22 14:53:15 发布
阅读量1.2k 收藏
点赞数
文章标签： matlab 神经网络 回归 回归预测 PSO BBO 前馈神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_29736627/article/details/132009832
版权

【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比

一、数据设置

1、7输入1输出
2、103行样本
3、80个训练样本，23个测试样本

二、效果展示

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

NN训练集数据的R2为：0.73013
NN测试集数据的R2为：0.23848
NN训练集数据的MAE为：3.0122
NN测试集数据的MAE为：4.4752
NN训练集数据的MAPE为：0.088058
NN测试集数据的MAPE为：0.1302
PSO-NN训练集数据的R2为：0.76673
PSO-NN测试集数据的R2为：0.72916
PSO-NN训练集数据的MAE为：3.124
PSO-NN测试集数据的MAE为：3.1873
PSO-NN训练集数据的MAPE为：0.088208
PSO-NN测试集数据的MAPE为：0.094787
BBO-NN训练集数据的R2为：0.67729
BBO-NN测试集数据的R2为：0.46872
BBO-NN训练集数据的MAE为：3.5204
BBO-NN测试集数据的MAE为：4.4843
BBO-NN训练集数据的MAPE为：0.099475
BBO-NN测试集数据的MAPE为：0.14177

三、代码展示（部分）

%%PSO-NN及BBO-BP回归
%基于生物地理优化进化算法(BBO)
%-----------------------------------------------------------------------
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
rng(0)
%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% Learning 
n = 9; % Neurons
%----------------------------------------
% 'trainlm'	    Levenberg-Marquardt
% 'trainbr' 	Bayesian Regularization (good)
% 'trainrp'  	Resilient Backpropagation
% 'traincgf'	Fletcher-Powell Conjugate Gradient
% 'trainoss'	One Step Secant (good)
% 'traingd' 	Gradient Descent
% Creating the NN ----------------------------
net = feedforwardnet(n,'trainoss');
%---------------------------------------------
% configure the neural network for this dataset
[net tr]= train(net,p_train, t_train);
perf = perform(net,p_train', t_train'); % mse

%%  仿真预测
t_sim01=net(p_train);
t_sim02=net(p_test);
T_sim01 = mapminmax('reverse', t_sim01, ps_output);
T_sim02 = mapminmax('reverse', t_sim02, ps_output);

%%  均方根误差
error01 = sqrt(sum((T_sim01 - T_train).^2) ./ M);
error02 = sqrt(sum((T_sim02 - T_test ).^2) ./ N);


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim01, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'NN训练集预测结果对比'; ['RMSE=' num2str(error01)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim02, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'NN测试集预测结果对比'; ['RMSE=' num2str(error02)]};
title(string)
xlim([1, N])
grid


t_sim11=net_pso(p_train);
t_sim22=net_pso(p_test);
T_sim11 = mapminmax('reverse', t_sim11, ps_output);
T_sim22 = mapminmax('reverse', t_sim22, ps_output);
%%  均方根误差
error11 = sqrt(sum((T_sim11 - T_train).^2) ./ M);
error22 = sqrt(sum((T_sim22 - T_test ).^2) ./ N);

%%  相关指标计算
%  R2
R01 = 1 - norm(T_train - T_sim01)^2 / norm(T_train - mean(T_train))^2;
R02 = 1 - norm(T_test  - T_sim02)^2 / norm(T_test  - mean(T_test ))^2;

disp(['NN训练集数据的R2为：', num2str(R01)])
disp(['NN测试集数据的R2为：', num2str(R02)])

%  MAE
mae01 = sum(abs(T_sim01 - T_train)) ./ M ;
mae02 = sum(abs(T_sim02 - T_test )) ./ N ;

disp(['NN训练集数据的MAE为：', num2str(mae01)])
disp(['NN测试集数据的MAE为：', num2str(mae02)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));
 
mape01 = mean(abs((T_train - T_sim01)./T_train));    
mape02 = mean(abs((T_test - T_sim02 )./T_test));      

disp(['NN训练集数据的MAPE为：', num2str(mape01)])
disp(['NN测试集数据的MAPE为：', num2str(mape02)])


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim11, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'PSO-NN训练集预测结果对比'; ['RMSE=' num2str(error11)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim22, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'PSO-NN测试集预测结果对比'; ['RMSE=' num2str(error22)]};
title(string)
xlim([1, N])
grid

%%  相关指标计算
%  R2
R11 = 1 - norm(T_train - T_sim11)^2 / norm(T_train - mean(T_train))^2;
R22 = 1 - norm(T_test  - T_sim22)^2 / norm(T_test  - mean(T_test ))^2;

disp(['PSO-NN训练集数据的R2为：', num2str(R11)])
disp(['PSO-NN测试集数据的R2为：', num2str(R22)])

%  MAE
mae11 = sum(abs(T_sim11 - T_train)) ./ M ;
mae22 = sum(abs(T_sim22 - T_test )) ./ N ;

disp(['PSO-NN训练集数据的MAE为：', num2str(mae11)])
disp(['PSO-NN测试集数据的MAE为：', num2str(mae22)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));
 
mape11 = mean(abs((T_train - T_sim11)./T_train));    
mape22 = mean(abs((T_test - T_sim22 )./T_test));      

disp(['PSO-NN训练集数据的MAPE为：', num2str(mape11)])
disp(['PSO-NN测试集数据的MAPE为：', num2str(mape22)])



%% BBO优化 NN 权重和偏差
%% PSO优化 NN 权重和偏差
Weights_Bias_bbo=getwb(net_bbo);

t_sim31=net_bbo(p_train);
t_sim32=net_bbo(p_test);
T_sim31 = mapminmax('reverse', t_sim31, ps_output);
T_sim32 = mapminmax('reverse', t_sim32, ps_output);
%%  均方根误差
error31 = sqrt(sum((T_sim31 - T_train).^2) ./ M);
error32 = sqrt(sum((T_sim32 - T_test ).^2) ./ N);


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim31, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'BBO-NN训练集预测结果对比'; ['RMSE=' num2str(error31)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim32, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'BBO-NN测试集预测结果对比'; ['RMSE=' num2str(error32)]};
title(string)
xlim([1, N])
grid

%%  相关指标计算
%  R2
R31 = 1 - norm(T_train - T_sim31)^2 / norm(T_train - mean(T_train))^2;
R32 = 1 - norm(T_test  - T_sim32)^2 / norm(T_test  - mean(T_test ))^2;

disp(['BBO-NN训练集数据的R2为：', num2str(R31)])
disp(['BBO-NN测试集数据的R2为：', num2str(R32)])

%  MAE
mae31 = sum(abs(T_sim31 - T_train)) ./ M ;
mae32 = sum(abs(T_sim32 - T_test )) ./ N ;

disp(['BBO-NN训练集数据的MAE为：', num2str(mae31)])
disp(['BBO-NN测试集数据的MAE为：', num2str(mae32)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));
 
mape31 = mean(abs((T_train - T_sim31)./T_train));    
mape32 = mean(abs((T_test - T_sim32 )./T_test));      

disp(['BBO-NN训练集数据的MAPE为：', num2str(mape31)])
disp(['BBO-NN测试集数据的MAPE为：', num2str(mape32)])

四、代码获取

后台私信回复“62期”即可获取下载链接。

随风飘摇的土木狗
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
多元分类预测 | Matlab基于粒子群算法(PSO)优化卷积神经网络CNN分类预测，PSO-CNN分类预测，多输入单输出模型
前程算法屋的博客
08-14 115
多元分类预测 | Matlab基于粒子群算法(PSO)优化卷积神经网络CNN分类预测，PSO-CNN分类预测，多输入单输出模型
分类预测 | MATLAB实现基于PSO-NN、SVM、KNN、DT的多特征数据分类预测，二分类及多分类...
m0_57702748的博客
05-04 401
✅作者简介：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科研工作室????个人信条：格物致知。更多Matlab仿真内容点击????智能优化算法 神经网络预测 雷达通信 无线传感器 电力系统信号处理 ...
深度学习系列（九）：详解工具箱参数及网络一种改进方式-dropout
我爱智能
01-15 1万+
本片主要介绍一种对于网络参数的改进方式，这也是大牛Hinton在前两年对深度网络的一个工作，主要的方法就是dropout，思想就是在训练网络的时候随机扔掉一些网络权值进行训练，其方法在前面的DeepLearnToolbox工具箱中也有集成，通过在这个工具箱中设置dropout参数可以直接实现网络中加入dropout的算法思想，本文旨在研究该工具箱时涉及到了dropout这块然后希望弄明白这块。关于d
【面向代码】学习 Deep Learning（一）Neural Network
DarkScope从这里开始
07-23 10万+
========================================================================================== 最近一直在看Deep Learning，各类博客、论文看得不少 但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox 只是跟着Andrew Ng的UFLDL
如何使用matlab自带的NN tool 实现BPNN网络
weixin_42785935的博客
01-29 567
如何搭建一个简易的BPNN，并且使用评价系数
神经网络（NN）理论与MATLAB的实现（含源程序）
09-01
神经网络理论有13讲（word），结合相关的MATLAB程序
Matlab实现基于PSO-NN、SVM、KNN、DT的多特征数据分类预测，二分类及多分类（完整程序和数据）
05-03
Matlab实现基于PSO-NN、SVM、KNN、DT的多特征数据分类预测，二分类及多分类（完整程序和数据） 基于PSO-NN、SVM、KNN、DT的多特征数据分类预测，二分类及多分类（Matlab完整程序和数据） 此代码获取用于分类的数据...
MATLAB实现PSO-BP粒子群优化BP神经网络多输入单输出回归预测（完整源码和数据）
05-22
MATLAB实现PSO-BP粒子群优化BP神经网络多输入单输出回归预测（完整源码和数据） MATLAB实现PSO-BP多输入单输出回归预测，输入7个特征，输出1个，优化权重和阈值。 MATLAB实现PSO-BP粒子群优化BP神经网络时间序列预测...
基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP
05-25
基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP...
MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据）
12-05
MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据）数据为多特征分类数据，输入12个特征，分四类。运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。
基于粒子群优化径向基神经网络回归预测Matlab程序PSO-RBF 多特征输入单输出
05-25
基于粒子群优化径向基神经网络回归预测Matlab程序PSO-RBF 多特征输入单输出 基于粒子群优化径向基神经网络回归预测Matlab程序PSO-RBF 多特征输入单输出 基于粒子群优化径向基神经网络回归预测Matlab程序PSO-RBF 多...
卷积神经网络CNN原理——结合实例matlab实现
热门推荐
u010540396的博客
10-22 12万+
卷积神经网络CNN是深度学习的一个重要组成部分，由于其优异的学习性能（尤其是对图片的识别）。近年来研究异常火爆，出现了很多模型LeNet、Alex net、ZF net等等。由于大多高校在校生使用matlab比较多，而网上的教程代码基本都基于caffe框架或者python，对于新入门的同学来说甚是煎熬，所以本文采用matlab结合MNIst手写数据库完成对手写数字的识别。
MATLAB深度学习代码详细分析(一)__nnff.m
TWONIU博客
09-03 1万+
NNFF为神经网络前向传播的运算函数代码如下： function nn = nnff(nn, x, y) %NNFF performs a feedforward pass  NNFF为前向传播运行过程 % nn = nnff(nn, x, y) returns an neural network structure with updated  %函数输入为（网络架构，数据集，数据标签）
MATLAB NN中train和adapt区别
u013613100的博客
04-13 3828
之前对train和adapt不是很理解，看了帮助文档以后依然迷惑，在网上搜到了下面的这个说明，但是我感觉还是没有说清楚 Matlab神经网络工具箱中的Train和Adapt函数区别：  http://www.matlabsky.com/thread-4084-1-1.html  (出处: MATLAB技术论坛) 下面和大家分享一下我的理解（有时间可以先去看一下链接的解释）：
matlab nntraitool,MATLAB NN工具箱：错误使用trainlm
weixin_32166921的博客
03-21 512
我有一个90×8的数据集，我从90个字符的图像，即数字1-9特征提取(通过在每10×10单元中求和1)。每一行代表一幅图像。 我尝试使用下面的代码来训练神经网络识别新的输入图像(即在1到9(含)之间的数字)：MATLAB NN工具箱：错误使用trainlmnet.trainFcn='traingdx';net.performFcn='sse';net.trainParam.goal=0.1;net...
机器学习之实战matlab神经网络工具箱
我爱智能
08-11 5万+
上节在 《机器学习之从logistic到神经网络算法》 中，我们已经从原理上介绍了神经网络算法的来源与构造，并编程实战了简单神经网络对于线性与非线性数据的分类测试实验。看过上节的可能会发现，上节实现的算法对于非线性数据的分类效果并不是非常完美，有许多值得优化的地方。而matlab作为一个科学计算软件，本身集成了非常多的优化算法，其中的神经网络工具箱就是其中一个优秀的工具箱，本节将以工具箱中的函数
【MATLAB第7期】基于MATLAB的6种回归预测模型对比（BP、GABP、RBF、RF、libsvm、CNN)）
随风飘摇的土木狗的博客
10-13 1316
训练集数据的MBE为：-0.00062484。训练集数据的MBE为：-0.0056791。训练集数据的MBE为：-0.0039531。训练集数据的MBE为：-0.043444。测试集数据的MBE为：-0.037011。测试集数据的MBE为：-0.010326。测试集数据的MBE为：-0.05721。测试集数据的MBE为：-0.10039。测试集数据的MBE为：-0.13419。训练集数据的MBE为：0.01121。测试集数据的MBE为：0.86543。训练集数据的MBE为：0.36938。
matlab 中的methods(Access = protected) 是什么意思
最新发布
QianMo的博客
07-22 330
在 MATLAB 中，用于定义受保护的方法，这些方法只能被类本身及其子类访问。这种机制有助于实现更好的封装和安全性，防止方法被误用。
粒子群算法pso优化bp神经网络(pso-bp)回归预测-matlab代码实现案例
12-27
粒子群算法（PSO）是一种基于群体智能的优化算法，它模拟了鸟群或鱼群等生物群体的行为，通过粒子的迭代更新来寻找最优解。BP神经网络是一种常见的人工神经网络，用于解决回归、分类等问题。将PSO算法与BP神经网络相结合可以提高BP神经网络的训练速度和精度，这就是PSO-BP算法。 在MATLAB中实现PSO-BP算法的回归预测案例，首先需要定义BP神经网络的结构，包括输入层、隐藏层和输出层的神经元数量。然后，利用PSO算法初始化一组粒子，并在每次迭代中根据粒子的位置和速度更新神经网络的权重和偏置。通过优化后的神经网络对训练数据进行训练，并对测试数据进行回归预测。 以下是一个简单的MATLAB代码实现案例： ```matlab % 定义BP神经网络结构 inputSize = 4; hiddenSize = 6; outputSize = 1; % 初始化PSO算法参数 options = optimoptions(@particleswarm, 'SwarmSize', 100, 'MaxIterations', 100); % 定义适应度函数 fitnessFunc = @(x) pso_bp_fitness(x, inputSize, hiddenSize, outputSize, trainData, trainLabel); % 使用PSO算法优化权重和偏置 [optimizedParams, ~] = particleswarm(fitnessFunc, inputSize * hiddenSize + hiddenSize + hiddenSize * outputSize + outputSize, [], [], options); % 训练BP神经网络 net = trainBP(inputSize, hiddenSize, outputSize, optimizedParams, trainData, trainLabel); % 测试数据回归预测 predictedLabels = net(testData); ``` 在上述代码中，pso_bp_fitness是适应度函数，用于计算每个粒子的适应度值；trainBP是训练BP神经网络的函数，接受优化后的参数和训练数据，并返回训练好的神经网络；predictedLabels是通过训练好的神经网络对测试数据进行回归预测得到的结果。通过这样的方式，可以利用PSO-BP算法进行回归预测任务的优化和实现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

随风飘摇的土木狗

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值