（PSO-BP）结合粒子群的神经网络算法以及matlab实现

最新推荐文章于 2024-09-24 11:16:26 发布

weixin_34281537

最新推荐文章于 2024-09-24 11:16:26 发布

阅读量1.4w

点赞数 13

文章标签：人工智能 matlab python

原文链接：http://www.cnblogs.com/jacksin/p/8835907.html

版权

本文介绍了结合粒子群优化算法（PSO）和反向传播（BP）神经网络的方法，用于全局搜索和局部细化。在matlab环境中，作者使用30组数据对一个特定函数进行训练，设置了1-7-1的神经网络结构。通过PSO获得初始解，然后用BP进行精细化搜索。实验在i5, 8G, win7, 64位系统上运行约30秒，建议多次运行以观察最佳结果。" 128165386,16742929,SQL优化技巧：提升服务器性能,"['数据库', '服务器运维', 'SQL性能']

摘要由CSDN通过智能技术生成

原理：
PSO（粒子群群算法）：可以在全局范围内进行大致搜索，得到一个初始解，以便BP接力
BP（神经网络）:梯度搜素，细化能力强，可以进行更仔细的搜索。
数据：对该函数（(2.1*(1-x+2*x.^2).*exp(-x.^2/2))+sin(x)+x','x'）[-5,5]进行采样，得到30组训练数据,拟合该网络。

神经网络结构设置： 该网络结构为，1-7-1结构，即输入1个神经元，中间神经元7个，输出1个神经元

程序步骤：

第一步：先采用抽取30组数据，包括输入和输出

第一步：运行粒子群算法，进行随机搜索，选择一个最优的解，该解的维数为22维。

第二步：在；粒子群的解基础上进行细化搜索

程序代码：

clc                         
clear                
  tic              
SamNum=30;                  
                
HiddenNum=7;          
InDim=1;                
OutDim=1;      

load train_x
load train_f

a=train_x';
d=train_f';

p=[a];  
t=[d];      
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); 
         
NoiseVar=0.01;                 
Noise=NoiseVar*randn(1,SamNum);   
SamOut=tn + Noise;                 
    
   SamIn=SamIn';
   SamOut=SamOut';

MaxEpochs=60000;                       
lr=0.025;                                      
E0=0.65*10^(-6);                              

%%
%the begin of PSO
   
E0=0.001;
Max_num=500;
particlesize=200;
c1=1;
c2=1;
w=