pso 阈值分割 matlab,PSO优化BP神经网络权值阈值

PSO优化BP网络：主函数：%清空环境变量clc

clear

%

%%网络结构建立%读取数据load data input output

%节点个数inputnum=2;

hiddennum=5;

outputnum=1;

%训练数据和预测数据input_train=input(1:1900,:)';

input_test=input(1901:2000,:)';

output_train=output(1:1900)';

output_test=output(1901:2000)';

%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%构建网络net=newff(inputn,outputn,hiddennum);

net.trainParam.epochs=500;

net.trainParam.lr=0.1;

net.trainParam.goal=0.00001;

%net.trainParam.show=NaN

%网络训练net=train(net,inputn,outputn);

%数据归一化inputnbp_test = mapminmax('apply',input_test,inputps);

an=sim(net,inputnbp_test);

testout_simu=mapminmax('reverse',an,outputps);

%网络预测结果图形figure(1)

plot(testout_simu,'og');

hold on

plot(output_test,'-*');

legend('预测输出','期望输出');

title('BP网络预测输出','fontsize',12);

xlabel('样本','fontsize',12);ylabel('函数输出','fontsize',12);

%网络预测模型error1=testout_simu-output_test;

%%PSO算法参数初始化maxgen=50;                        %进化代数，即迭代次数sizepop=30;                       %种群规模c1=1.49445;                      %学习因子c2=1.49445;                      %学习因子

%节点总数numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;

%个体和速度最大最小值popmax=5;

popmin=-5;

vmax=1;

vmin=-1;

%------------------------------------------------------种群初始化--------------------------------------------------------

fori=1:sizepop

%随机产生一个种群pop(i,:)=5*randn(1,21);    %初始化粒子v(i,:)=randn(1,21); %初始化速度x=pop(i,:)

%计算粒子适应度值fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);

end

%寻找初始极值[bestfitness bestindex]=min(fitness);

zbest=pop(bestindex,:);  %群体极值位置gbest=pop; %个体极值位置fitnessgbest=fitness;%个体极值适应度值fitnesszbest=bestfitness;%群体极值适应度值%%迭代求解最佳初始阀值和权值%迭代寻优for i=1:maxgen

%粒子位置和速度更新for j=1:sizepop

%速度更新v(j,:)=v(j,:)+c1*rands*(gbest(j,:)-pop(j,:))+c2*rand*(zbest-pop(j,:));

v(j,find(v(j,:)>vmax))=vmax;

v(j,find(v(j,:)

%位置更新pop(j,:)=pop(j,:)+0.5*v(j,:);

pop(j,find(pop(j,:)>popmax))=popmax;

pop(j,find(pop(j,:)

%新粒子适应度值fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);

end

%个体极值和群体极值更新for j=1:sizepop

%个体极值更新if fitness(j)

zbest=pop(j,:);

fitnesszbest=fitness(j);

end

%群体极值更新if fitness(j)

zbest=pop(j,:);

fitnesszbest=fitness(j);

end

end

%每代最优值记录到yy数组中yy(i)=fitnesszbest;

end

%%PSO算法结果分析figure(2)

plot(yy);

title('最优个体适应度值','fontsize',12);

xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);

%%把最优初始阀值权值赋予网络预测% %用遗传算法优化的BP网络进行值预测x=fitnesszbest;

w1=x(1:inputnum*hiddennum);

B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);

w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=B2;

%%BP网络训练%网络进化参数net.trainParam.epochs=500;

net.trainParam.lr=0.1;

%net.trainParam.goal=0.00001;

%网络训练[net,per2]=train(net,inputn,outputn);

%%BP网络预测%数据归一化inputn_test=mapminmax('apply',input_test,inputps);

an=sim(net,inputn_test);

test_simu=mapminmax('reverse',an,outputps);

figure(3)

plot(test_simu,'og');

hold on

plot(output_test,'-*');

legend('预测输出','期望输出');

title('PSOBP网络预测输出','fontsize',12);

xlabel('样本','fontsize',12);ylabel('函数输出','fontsize',12);

error=test_simu-output_test;

figure(4)

plot(error1,'--og');

hold on

plot(error,'-*');

legend('BP预测误差','PSOBP预测误差');

title('预测误差','fontsize',12);

xlabel('样本','fontsize',12);ylabel('误差','fontsize',12);

适应度函数：function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)

%该函数用来计算适应度值%x         input输入粒子位置%inputnum   input输入层节点数%outputnum  input隐含层节点数%net        input网络%inputn     input训练输入数据%outputn    input训练输出数据

%error     output个体适应度值

%提取w1=x(1:inputnum*hiddennum);

B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);

w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net=newff(inputn,outputn,hiddennum);

%网络进化参数net.trainParam.epochs=20;

net.trainParam.lr=0.1;

net.trainParam.goal=0.00001;

net.trainParam.show=100;

net.trainParam.showWindow=0;

%网络权值赋值net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=B2;

%网络训练net=train(net,inputn,outputn);

an=sim(net,inputn);

error=sum(abs(an-outputn));运行程序出错：

Error using rands (line 28)

Not enough input arguments.

Error in psobp (line 94)

v(j,:)=v(j,:)+c1*rands*(gbest(j,:)-pop(j,:))+c2*rands*(zbest-pop(j,:));

请高手帮忙解决一下。谢谢！