基于粒子群算法优化深度置信网络(PSO-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。评价指标包括:R2、MAE、MSE

最新推荐文章于 2024-04-26 15:38:06 发布

智能算法及其模型预测

最新推荐文章于 2024-04-26 15:38:06 发布

阅读量256

点赞数

文章标签：回归学习数学建模

本文链接：https://blog.csdn.net/qq_43916303/article/details/130854227

版权

该文详细描述了使用MATLAB进行数据预处理的步骤，包括清除环境变量、添加工具箱路径、导入数据并进行归一化处理。接着，设置了神经网络模型的训练参数，如批次大小、学习率等，并给出了预训练参数的设定。文章主要关注的是如何为机器学习模型准备和优化数据。

摘要由CSDN通过智能技术生成

%% 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

%% 添加路径
addpath('Toolbox\')

%% 导入数据
P_train = xlsread('data','training set','B2：G181')';
T_train= xlsread('data','training set','H2：H181')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

%% 数据部分注意
% （M / batchsize = 整数） opts.batchsize= 12;
% 输入特征维度
%% 数据部分注意

M = size(P_train, 2);
N = size(P_test, 2);
outdim = 1; % 最后一列为输出
%% 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);

%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%% 预训练的参数设置
opts.numepochs = 500; % 训练次数
opts.batchsize = 12; % 每次训练样本个数需满足：（M / batchsize = 整数）
opts.momentum = 0; % 学习率的动量
opts.alpha = 0.05; % 学习率

%% 参数设置
dim = 4; % 优化参数个数
lb = [20, 20, 1000, 1.5]; % 优化参数目标下限

智能算法及其模型预测