matlab nntwarn,Matlab中bp 和 遗传算法问题

最新推荐文章于 2024-06-17 14:04:06 发布
最新推荐文章于 2024-06-17 14:04:06 发布
阅读量339 收藏 1
点赞数 1
文章标签： matlab nntwarn

%  程序一：GA训练BP权值的主函数

function net=GABPNET(XX,YY)

%--------------------------------------------------------------------------

%  GABPNET.m

%  使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络

%--------------------------------------------------------------------------

%数据归一化预处理

nntwarn off

p=[

80 12 8.0  1.05  0 3  ;

80 16 10.0  0.70  0 3  ;

90 8 8.0  0.70  0 3  ;

90 12 10.0  1.40  0 3  ;

90 16 6.0  1.05  0 3  ;

100 8 10.0  1.05  0 3  ;

100 12 6.0  0.70  0 3  ;

80 8 6.0  1.40  54 3  ;

80 12 8.0  1.05  54 3  ;

80 16 10.0  0.70  54 3  ;

90 12 10.0  1.40  54 3  ;

90 16 6.0  1.05  54 3  ;

100 12 6.0  0.70  54 3  ;

100 16 8.0  1.40  54 3  ;

80 8 6.0  1.40  0 0  ;

80 12 8.0  1.05  0 0  ;

80 16 10.0  0.70  0 0  ;

90 8 8.0  0.70  0 0  ;

100 8 10.0  1.05  0 0  ;

100 12 6.0  0.70  0 0  ;

100 16 8.0  1.40  0 0  ;

100 8 20.0  1.40  54 3  ;

100 8 12.5  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 6.0  1.40  54 3  ;

60 8 10.0  1.40  54 3  ;

70 8 10.0  1.40  54 3  ;

90 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  33 3  ;

100 8 10.0  1.40  40 3  ;

100 8 10.0  1.40  48 3  ;

100 8 10.0  1.40  54 3  ;

80 8 6.0  1.40  0 3  ;

100 16 8.0  1.40  0 3  ;

90 8 8.0  0.70  54 3  ;

100 8 10.0  1.05  54 3  ;

90 12 10.0  1.40  0 0  ;

90 16 6.0  1.05  0 0  ;

100 8 10.0  1.40  16 3  ;

100 8 8.0  1.40  54 3  ;

80 8 10.0  1.40  54 3  ;

]';

for  i=1:6

p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));

end

p1=p(:,1:33);

p_test=p(:,34:42);

t1=[

0.2491  ;

0.3600  ;

0.4110  ;

0.2953  ;

0.4061  ;

0.4224  ;

0.3920  ;

0.4784  ;

0.6081  ;

0.5438  ;

0.5481  ;

0.6396  ;

0.6492  ;

0.7724  ;

0.0929  ;

0.1638  ;

0.2390  ;

0.1406  ;

0.3080  ;

0.2766  ;

0.4398  ;

0.9010  ;

0.8390  ;

0.7750  ;

0.5300  ;

0.4607  ;

0.5300  ;

0.6204  ;

0.7720  ;

0.5780  ;

0.6870  ;

0.7750  ;

0.7830  ;

]';

t_test=[

0.2672  ;

0.5967  ;

0.6204  ;

0.6779  ;

0.1627  ;

0.3047  ;

0.5000  ;

0.5779  ;

0.5881  ;

]';

%输入向量

%创建网络

net=newff(minmax(p1),[8,1],{'tansig','logsig'},'trainlm');

%下面使用遗传算法对网络进行优化

P=p1;

T=t1;

[R,Q]=size(P);

[S2,Q]=size(T);

S1=8;%隐含层节点数

S=R*S1+S1*S2+S1+S2; % 遗传算法编码长度

aa=ones(S,1)*[-1,1];

popu=50;%种群规模

initPop=initializega(popu,aa,'mygabpEval');%初始化种群

gen=100;%遗传代数

%下面调用gaot工具箱，其中目标函数定义为gabpEval

[x,endPop,bPop,trace]=ga(aa,'mygabpEval',[],initPop,[1e-6 1 1],'maxGenTerm',gen,...

'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);

%绘收敛曲线图

figure(1)

plot(trace(:,1),1./trace(:,3),'r-');

hold on

plot(trace(:,1),1./trace(:,2),'b-');

xlabel('Generation');

ylabel('Sum-Squared Error');

figure(2)

plot(trace(:,1),trace(:,3),'r-');

hold on

plot(trace(:,1),trace(:,2),'b-');

xlabel('Generation');

ylabel('Fittness');

%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络

[W1,B1,W2,B2,P,T,A1,A2,SE,val]=mygadecod(x);

net.LW{2,1}=W1;

net.LW{3,2}=W2;

%设置训练参数

net.trainParam.show=10;

net.trainParam.lr=0.06;

net.trainParam.epochs=500;

net.trainParam.goal=0.00000001;

%训练网络

% 程序二：适应值函数

function [sol, val] = mygabpEval(sol,options)

% val - the fittness of this individual

% sol - the individual, returned to allow for Lamarckian evolution

% options - [current_generation]

nntwarn off

p=[

80 12 8.0  1.05  0 3  ;

80 16 10.0  0.70  0 3  ;

90 8 8.0  0.70  0 3  ;

90 12 10.0  1.40  0 3  ;

90 16 6.0  1.05  0 3  ;

100 8 10.0  1.05  0 3  ;

100 12 6.0  0.70  0 3  ;

80 8 6.0  1.40  54 3  ;

80 12 8.0  1.05  54 3  ;

80 16 10.0  0.70  54 3  ;

90 12 10.0  1.40  54 3  ;

90 16 6.0  1.05  54 3  ;

100 12 6.0  0.70  54 3  ;

100 16 8.0  1.40  54 3  ;

80 8 6.0  1.40  0 0  ;

80 12 8.0  1.05  0 0  ;

80 16 10.0  0.70  0 0  ;

90 8 8.0  0.70  0 0  ;

100 8 10.0  1.05  0 0  ;

100 12 6.0  0.70  0 0  ;

100 16 8.0  1.40  0 0  ;

100 8 20.0  1.40  54 3  ;

100 8 12.5  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 6.0  1.40  54 3  ;

60 8 10.0  1.40  54 3  ;

70 8 10.0  1.40  54 3  ;

90 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  33 3  ;

100 8 10.0  1.40  40 3  ;

100 8 10.0  1.40  48 3  ;

100 8 10.0  1.40  54 3  ;

80 8 6.0  1.40  0 3  ;

100 16 8.0  1.40  0 3  ;

90 8 8.0  0.70  54 3  ;

100 8 10.0  1.05  54 3  ;

90 12 10.0  1.40  0 0  ;

90 16 6.0  1.05  0 0  ;

100 8 10.0  1.40  16 3  ;

100 8 8.0  1.40  54 3  ;

80 8 10.0  1.40  54 3  ;

]';

for  i=1:6

p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));

end

p1=p(:,1:33);

p_test=p(:,34:42);

t1=[

0.2491  ;

0.3600  ;

0.4110  ;

0.2953  ;

0.4061  ;

0.4224  ;

0.3920  ;

0.4784  ;

0.6081  ;

0.5438  ;

0.5481  ;

0.6396  ;

0.6492  ;

0.7724  ;

0.0929  ;

0.1638  ;

0.2390  ;

0.1406  ;

0.3080  ;

0.2766  ;

0.4398  ;

0.9010  ;

0.8390  ;

0.7750  ;

0.5300  ;

0.4607  ;

0.5300  ;

0.6204  ;

0.7720  ;

0.5780  ;

0.6870  ;

0.7750  ;

0.7830  ;

]';

t_test=[

0.2672  ;

0.5967  ;

0.6204  ;

0.6779  ;

0.1627  ;

0.3047  ;

0.5000  ;

0.5779  ;

0.5881  ;

]';

P=p1;

T=t1;

[R,Q]=size(P);

[S2,Q]=size(T);

S1=8;%隐含层节点数

S=R*S1+S1*S2+S1+S2;%遗传算法编码长度

for i=1:S,

x(i)=sol(i);

end;

[W1, B1, W2, B2, P, T, A1, A2, SE, val]=mygadecod(x);

% 程序三：编解码函数

function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=mygadecod(x)

nntwarn off

p=[

80 12 8.0  1.05  0 3  ;

80 16 10.0  0.70  0 3  ;

90 8 8.0  0.70  0 3  ;

90 12 10.0  1.40  0 3  ;

90 16 6.0  1.05  0 3  ;

100 8 10.0  1.05  0 3  ;

100 12 6.0  0.70  0 3  ;

80 8 6.0  1.40  54 3  ;

80 12 8.0  1.05  54 3  ;

80 16 10.0  0.70  54 3  ;

90 12 10.0  1.40  54 3  ;

90 16 6.0  1.05  54 3  ;

100 12 6.0  0.70  54 3  ;

100 16 8.0  1.40  54 3  ;

80 8 6.0  1.40  0 0  ;

80 12 8.0  1.05  0 0  ;

80 16 10.0  0.70  0 0  ;

90 8 8.0  0.70  0 0  ;

100 8 10.0  1.05  0 0  ;

100 12 6.0  0.70  0 0  ;

100 16 8.0  1.40  0 0  ;

100 8 20.0  1.40  54 3  ;

100 8 12.5  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 6.0  1.40  54 3  ;

60 8 10.0  1.40  54 3  ;

70 8 10.0  1.40  54 3  ;

90 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  54 3  ;

100 8 10.0  1.40  33 3  ;

100 8 10.0  1.40  40 3  ;

100 8 10.0  1.40  48 3  ;

100 8 10.0  1.40  54 3  ;

80 8 6.0  1.40  0 3  ;

100 16 8.0  1.40  0 3  ;

90 8 8.0  0.70  54 3  ;

100 8 10.0  1.05  54 3  ;

90 12 10.0  1.40  0 0  ;

90 16 6.0  1.05  0 0  ;

100 8 10.0  1.40  16 3  ;

100 8 8.0  1.40  54 3  ;

80 8 10.0  1.40  54 3  ;

]';

for  i=1:6

p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));

end

p1=p(:,1:33);

p_test=p(:,34:42);

t1=[

0.2491  ;

0.3600  ;

0.4110  ;

0.2953  ;

0.4061  ;

0.4224  ;

0.3920  ;

0.4784  ;

0.6081  ;

0.5438  ;

0.5481  ;

0.6396  ;

0.6492  ;

0.7724  ;

0.0929  ;

0.1638  ;

0.2390  ;

0.1406  ;

0.3080  ;

0.2766  ;

0.4398  ;

0.9010  ;

0.8390  ;

0.7750  ;

0.5300  ;

0.4607  ;

0.5300  ;

0.6204  ;

0.7720  ;

0.5780  ;

0.6870  ;

0.7750  ;

0.7830  ;

]';

t_test=[

0.2672  ;

0.5967  ;

0.6204  ;

0.6779  ;

0.1627  ;

0.3047  ;

0.5000  ;

0.5779  ;

0.5881  ;

]';

P=p1;

T=t1;

[R,Q]=size(P);

[S2,Q]=size(T);

S1=8;%隐含层节点数

S=R*S1+S1*S2+S1+S2;%遗传算法编码长度

% 前R*S1个编码为W1

for i=1:S1,

for k=1:R,

W1(i,k)=x(R*(i-1)+k);

end

end

% 接着的S1*S2个编码(即第R*S1个后的编码)为W2

for i=1:S2,

for k=1:S1,

W2(i,k)=x(S1*(i-1)+k+R*S1);

end

end

% 接着的S1个编码(即第R*S1+S1*S2个后的编码)为B1

for i=1:S1,

B1(i,1)=x((R*S1+S1*S2)+i);

end

% 接着的S2个编码(即第R*S1+S1*S2+S1个后的编码)为B2

for i=1:S2,

B2(i,1)=x((R*S1+S1*S2+S1)+i);

end

% 计算S1与S2层的输出

A1=tansig(W1*P,B1);

A2=logsig(W2*A1,B2);

% 计算误差平方和

SE=sumsqr(T-A2);

val=1/SE; % 遗传算法的适应值

本人依照网上的一个程序，自己编写了一个，但是运行时老是出现Error using ==> network.subsasgn

net.LW{2,1} must be a 1-by-8 matrix.

Error in ==> GABPNET at 147

net.LW{2,1}=W1;

恳请各位高手指点一下，不胜感激。

[本帖最后由 mooni 于 2009-5-9 09:57 编辑]

weixin_39627144
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【老生谈算法】matlab实现遗传算法优化BP神经网络源码——BP神经网络
m0_53407570的博客
07-16 446
本算法已经整理成文档如下，有需要的朋友可以点击进行下载由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。程序一：GA训练BP权值的主函数 程序二：适应值函数 程序三：编解码函数 注意：上面的函数需要调用gaot工具箱，请从网上搜索下载...
遗传算法优化BP（标注清晰）matlab
04-10
遗传算法优化BPmatlab代码（标注清晰），保证新手看了原理之后能看懂
Matlab遗传算法优化BP网络-GAbp.zip
08-13
Matlab遗传算法优化BP网络-GAbp.zip 新人发帖，请多支持:handshake 所含文件： Figure39.jpg bppfault.m运行结果： Figure40.jpg
用遗传算法优化BP神经网络权值阈值并建模：利用遗传算法GA优化BP神经网络训练集的MSE作为适应度函数，获取最优权值和阈值，构建回归预测模型（附完整代码和数据替换说明），利用遗传算法优化的BP神经网络
最新发布
aSlZTUEjTTe的博客
06-17 359
同时，我们也希望在日后的研究中，能够进一步探索遗传算法在机器学习领域的应用，为解决更加复杂的问题提供更好的解决方案。遗传算法的基本思想是通过模拟自然进化的过程，通过选择、交叉和变异等操作，不断优化个体的适应度，从而获得最优解。利用遗传算法GA，将BP神经网络训练集的MSE作为适应度函数，获取最优的权值和阈值在反向输入到BP神经网络里构建回归预测模型，代码注释全，直接替换数据可用。最终，通过遗传算法的优化，我们获得了最优的权值和阈值，并将其应用于BP神经网络中，构建了一个回归预测模型。(matlab代码)
基于遗传算法的BP神经网络MATLAB代码
08-30
由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。
GABP模板_神经网络_GA-BP_matlab_遗传算法_
09-29
MATLAB中的遗传算法优化的BP神经网络算法代码并附有实例
基于遗传算法bp神经网络优化
08-23
基于遗传算法bp神经网络优化https://blog.csdn.net/weixin_46567845/article/details/115287338
matlab中 nntwarn off,Matlab遗传算法优化神经网络initializega函数出错,请高手指点?
weixin_39695241的博客
04-02 1420
%%%　此程序版权归　ＭＡＴＬＡＢ　中文论坛　所有%% 清除环境变量clear allclcwarning offnntwarn off%% 声明全局变量global p14 % 训练集输入数据global t14 % 训练集输出数据global R % 输入神经元个数global S2 % 输出神经元个数global S1 % 隐层神经元个数global S...
matlab 遗传算法参数优化,Matlab基于BP神经网络模型的遗传算法多参数优化程序
weixin_30824391的博客
03-20 2106
问题的提出：假设现在有n个变量(n>=2)，X1,X2,X3…Xn,一个目标参数YY=f(X1,X2,X3…Xn)，X(：)与Y之间的函数关系用神经网络模型来表示现在我想用遗传算法对上述模型进行优化，使得X1,X2,X3,…Xn这n个变量适当组合使得Y为最大值。x1∈[a,b],x2∈[c,d],x3∈[e,f],…, Xn∈[z,p]1. 自编程序怎么做，用二进制编码还是实数编码该怎么...
第6章 基于GA优化的BP网络算法分析与MATLAB实现.ppt
09-13
本章主要讨论了基于遗传算法...总的来说，本章内容深入探讨了如何利用遗传算法优化BP神经网络，解决了传统BP网络的稳定性问题，并将其成功应用于MATLAB中的大脑灰白质图像分割，展示了这种结合的优势和实际应用价值。
matlab多层神经网络到权值和阈值,BP神经网络到底可不可以规定权值和阈值呢
weixin_34431256的博客
03-24 2393
%% 程序说明% 主程序：ga_bp.m% 适应度函数：gabpEval.m% 编解码子函数：gadecod.m% 使用前需安装gaot工具箱，上述三个文件需放在同一文件夹中且将该文件夹% 设置为当前工作路径% 运行程序时只需运行主程序ga_bp.m即可% 此程序仅为示例，针对其他的问题，只需将数据修改即可，但需注意变量名% 保持一致，尤其是全局变量修改时(在gadecod.m和gabpEval....
Matlab基于GA的Bp神经网络优化算法代码实例（带注释）
04-20
Matlab基于GA的Bp神经网络优化算法代码实例（带注释），基于GA的BP神经网络优化算法 BP-network BP网络是前向神经网络中最核心的部分，本资源提供算法优化代码
错误使用 network/subsasgn＞network_subsasgn (第 555 行)net.IW{1,1} must be a 5-by-46 matrix.
weixin_67790049的博客
03-21 1396
netff 创建神经网络 我的输入数据23维，隐含层神经元个数5，IW应该是5x23呀，可以是它要5x46
matlab神经网络报错net.LW{1,1}must be a 7-by-5 matrix解决方法
weixin_49749426的博客
12-12 5874
笔者是在使用GA、PSO等算法优化bp网络权值时出现的这个问题。 我是8*5的网络，你为啥向我要7*5的矩阵啊55555 T^T 报错位置出现在网络pso的个体（维度为权值+阈值）赋给网络的权值和阈值时，出现bug，报错如标题所示。可以看下图 网图，哈哈，懒得从自己程序里bug重现了，就找了个网图，类似如下 从下往上可以看出在计算适应度函数时出错了；再往上，哦，原来是W2矩阵reshape为权值矩阵时出错了；再往上，是调用的这个函数出错了；再往上，发现你给的矩阵和网络需要的矩阵行列不同！（.
错误使用 network/subsasgn＞network_subsasgn net.b{2} must be a 2-by-1 matrix.解决方法
qq_43551810的博客
02-27 2523
错误使用 network/subsasgn>network_subsasgn net.b{2} must be a 2-by-1 matrix.解决方法，生物算法报错问题。
net.b{2} must be a 6-by-1 matrix.
zhongxuxu2009的专栏
08-22 1635
使用的matlab遗传算法+神经网络的输出为原型，加载自己的数据跑报错：net.b{2} must be a 6-by-1 matrix. 这是因为fun文件中的 net.b{2}=B2； 因为原来的测试集输出只有一个，所有没有报错，但是我的输出已经变为了6个，所有上面一句话应该变更为： net.b{2}=reshape(B2,outputnum,1); 这里定义的就是隐层到输出层的阈值。 小白留下记录，希望对你有帮助。 ...
错误使用 network/subsasgn>network_subsasgn (line 550) net.IW{1,1} must be a 16-by-19 matrix. 出错 network
LZH118110的博客
07-09 9414
%% 该代码为基于PSO和BP网络的预测 %% 清空环境 clc clear % %读取数据 load CHE2.mat %节点个数 inputnum=17; hiddennum=16; outputnum=1; % % %训练数据和预测数据 % % input_train=input(1:1900,:)'; % % input_test=input(1901:2000,:)'...
matlab ga no feasible,GA优化BP神经网络程序出错
weixin_28721019的博客
03-25 456
我用GA程序优化40-15-3的神经网络，结果显示错误??? Error using ==> network.subsasgn at 551net.b{2} must be a 3-by-1 matrix.Error in ==> fun at 30net.b{2}=B2;以下是代码：clcclear%网络结构inputnum=40;hiddennum=15;outputnum=3;%...
matlab nntwarn,matlab新建BP网络函数newff详解
weixin_32019909的博客
03-17 498
算法中用到了这个函数，参数比较多有4个-----------------------------------代码开始---------------------------------%本程序用BP神经网络实现对十六进制数字的识别clear allnntwarn on;disp('------------------------i use BP neural network to identifyH...
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
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