Matlab遗传算法神经网络泰坦尼克号

最新推荐文章于 2023-09-27 23:25:21 发布
最新推荐文章于 2023-09-27 23:25:21 发布
阅读量1.4k 收藏 10
点赞数
分类专栏： Matlab 文章标签： 神经网络 matlab 算法
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/weixin_42353399/article/details/105351803
版权

Matlab遗传算法神经网络泰坦尼克号

介绍

数据处理见上篇博文，这里用遗传算法优化神经网络的参数，使其得到更好的训练效果。

实验步骤

流程图

在这里插入图片描述

初始化参数

%样本数据就是前面问题描述中列出的数据
[x,y]=date_inscet();
randIndex=randperm(size(x,1));%打乱顺序
x=x(randIndex,:);y=y(randIndex,:);
x1=x(1:1000,:);y1=y(1:1000,:);x2=x(1001:end,:);y2=y(1001:end,:);
% 初始隐层神经元个数
hiddennum1=15;hiddennum2=5;
% 输入向量的最大值和最小值
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
inputnum=size(x,2);       % 输入层神经元个数
outputnum=size(y,2);      % 输出层神经元个数
w1num=inputnum*hiddennum1; % 输入层到隐层1的权值个数
w2num=hiddennum2*hiddennum1;% 隐层1到隐层2的权值个数
w3num=outputnum*hiddennum2;% 隐层2到输出层的权值个数
N=w1num+hiddennum1+w2num+hiddennum2+w3num+outputnum; %待优化的变量的个数

%% 定义遗传算法参数
NIND=40;        %个体数目
MAXGEN=50;      %最大遗传代数
PRECI=10;       %变量的二进制位数
%GGAP=0.95;      %代沟
px=0.7;         %交叉概率
pm=0.01;        %变异概率
trace=zeros(N+1,MAXGEN);                        %寻优结果的初始值

初始化种群

二进制编码，通过自变量的范围与精度来确定染色体编码长度。

bounds=repmat([-1;1],1,N);%所有变量范围都为【-1,1】
precision=ones([1,N])*0.01;%由求解精度确定二进制编码长度
bits=ceil(log2((bounds(2,:)-bounds(1,:)) ./ precision));%由设定精度划分区间,ceil取上整
[Pop]=InitPopGray(NIND,bits);%初始化种群
bestpop=zeros([1,size(Pop,2)]);bestac=0;

%初始化种群
function [initpop]=InitPopGray(popsize,bits)
len=sum(bits);
initpop=zeros(popsize,len);%The whole zero encoding individual
for i=1:popsize
     pop=round(rand(1,len));
     initpop(i,:)=pop(:);
end

计算适应度函数

神经网络的测试集准确率作为适应度函数。

function  [value] = fitness_funNew(Pop,bounds,precision,bits,x1,y1,x2,y2,hiddennum1,hiddennum2)
[m,n]=size(Pop);
value=zeros([m,2]);
for j=1:m
    aa=b2f(Pop(j,:),bounds,precision,bits);%二进制->十进制
    [err,ac]=Bpfun(aa,x1',y1',hiddennum1,hiddennum2,x2',y2');
    value(j,:)=[err,ac];
end

用matlab自带的神经网络函数搭建

function [err,ac]=Bpfun(x,P,T,hiddennum1,hiddennum2,P_test,T_test)
%% 训练&测试BP网络
%% 输入
% x：一个个体的初始权值和阈值
% P：训练样本输入
% T：训练样本输出
% hiddennum：隐含层神经元数
% P_test:测试样本输入
% T_test:测试样本期望输出
%% 输出
% err：预测样本的预测误差的范数

inputnum=size(P,1);       % 输入层神经元个数
outputnum=size(T,1);      % 输出层神经元个数
%% 新建BP网络
net=newff(minmax(P),[hiddennum1,hiddennum2,outputnum],{'tansig','satlins','logsig'},'trainlm');
%% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1
net.trainParam.epochs=10;
net.trainParam.goal=0.01;
LP.lr=0.1;
net.trainParam.show=NaN;
%net.trainParam.showwindow=false;  %高版MATLAB
%% BP神经网络初始权值和阈值
w1num=inputnum*hiddennum1; % 输入层到隐层1的权值个数
w2num=hiddennum1*hiddennum2;% 隐层1到隐层2的权值个数
w3num=outputnum*hiddennum2;% 隐层2到输出层的权值个数
w1=x(1:w1num);   %初始输入层到隐层的权值
B1=x(w1num+1:w1num+hiddennum1);  %初始隐层阈值
w2=x(w1num+hiddennum1+1:w1num+hiddennum1+w2num); %初始隐层到输出层的阈值
B2=x(w1num+hiddennum1+w2num+1:w1num+hiddennum1+w2num+hiddennum2); %输出层阈值
w3=x(w1num+hiddennum1+w2num+hiddennum2+1:w1num+hiddennum1+w2num+hiddennum2+w3num); %初始隐层到输出层的阈值
B3=x(w1num+hiddennum1+w2num+hiddennum2+w3num+1:w1num+hiddennum1+w2num+hiddennum2+w3num+outputnum); %输出层阈值
net.iw{1,1}=reshape(w1,hiddennum1,inputnum);
net.lw{2,1}=reshape(w2,hiddennum2,hiddennum1);
net.lw{3,2}=reshape(w3,outputnum,hiddennum2);
net.b{1}=reshape(B1,hiddennum1,1);
net.b{2}=reshape(B2,hiddennum2,1);
net.b{3}=reshape(B3,outputnum,1);
%% 训练网络以
net=train(net,P,T);
%% 测试网络
Y=sim(net,P_test);
err=norm(Y-T_test);
for i=1:length(Y)
    if Y(i)<0.5
        Y(i)=0;
    else
        Y(i)=1;
    end
end
ac=1-sum(abs(Y-T_test))/length(Y);

选择

历代最优留下+最好的前20%-1直接留下+轮盘赌选择法

function [selectpop]=NonlinearRankSelect(fit,pop,bestpop)
[m,n]=size(pop);
selectpop=zeros(m,n);
%fit=max(fit)-fit;
selectprob1=fit/sum(fit);%计算各个体相对适应度(0,1)
newfit=cumsum(selectprob1);%计算各选择概率之和,轮盘图

mm=round(m*0.2);
rNums=sort(rand(m-mm,1));
%把最好的前20%直接留下
[a,b]=sort(fit);
for i=1:mm-1
    selectpop(i,:)=pop(b(m-i+1),:);
end
selectpop(mm,:)=bestpop;
%随机选
fitIn=1;newIn=mm+1;
while newIn<=m%选择，不用改
    if rNums(newIn-mm)<=newfit(fitIn)
        selectpop(newIn,:)=pop(fitIn,:);
        newIn=newIn+1;
    else
        fitIn=fitIn+1;
    end
end

交叉

全交叉

%交叉操作
function [NewPop]=CrossOver(OldPop,pCross)
%OldPop为父代种群，pcross为交叉概率
[m,n]=size(OldPop);
NewPop=zeros([m,n]);
r=rand(1,m);
y1=find(r<pCross);
y2=find(r>=pCross);
len=length(y1);
if len>2 && mod(len,2)==1%如果用来进行交叉的染色体的条数为奇数，将其调整为偶数
	y2(length(y2)+1)=y1(len);
    y1(len)=[];
end
if length(y1)>=2
    for i=0:2:length(y1)-2
        [NewPop(y1(i+1),:),NewPop(y1(i+2),:)]=EqualCrossOver(OldPop(y1(i+1),:),OldPop(y1(i+2),:));
    end
end
NewPop(y2,:)=OldPop(y2,:);
end

function [children1,children2]=EqualCrossOver(parent1,parent2)%采用均匀交叉
n=length(parent1);
hidecode=round(rand(1,n));%随机生成掩码
crossposition=find(hidecode==1);
holdposition=find(hidecode==0);
children1(crossposition)=parent1(crossposition);%掩码为1，父1为子1提供基因
children1(holdposition)=parent2(holdposition);%掩码为0，父2为子1提供基因
children2(crossposition)=parent2(crossposition);%掩码为1，父2为子2提供基因
children2(holdposition)=parent1(holdposition);%掩码为0，父1为子2提供基因
end

变异

五点变异

function [NewPop]=Mutation(OldPop,pMutation,VarNum)%变异操作,VarNum变异点个数
[m,n]=size(OldPop);
r=rand(1,m);%m是种群个数
position=find(r<=pMutation);
len=length(position);
if len>=1
    for i=1:len
        k=unidrnd(n,1,VarNum); %设置变异点数，一般设置1点
        for j=1:length(k)
            if OldPop(position(i),k(j))==1
                OldPop(position(i),k(j))=0;
            else
            OldPop(position(i),k(j))=1;
            end
        end
    end
end
NewPop=OldPop;

实验结果

进化曲线：
在这里插入图片描述
最优初始权值和阈值:
X=-0.4 -0.77 1.04 0.11 1 0.68 -0.44 1.15 -0.3 1.02 0.91 1.11 -0.74 -0.28 0.3 -0.33 0.42 0.63 0.61 -0.22 1.27 -0.92 1.32 0.36 0.74 1.07 -0.94 -0.35 -0.57 0.32 0.87 0 -0.33 -0.07 0.93 0.79 1.33 0.83 0.01 1.06 -0.29 -0.14 0.5 1.41 1.15 1.01 -0.62 -0.03 -0.69 0.02 -0.47 0.16 1.41 -0.06 -0.42 0.55 0.22 -0.68 -0.8 1.21 0.66 1.4 -0.51 -0.32 -0.97 1.28 -0.29 -0.62 -0.32 0.44 0.22 0.09 -0.84 0.14 1.48 0.19 0.89 -0.3 0.77 0.94 -0.22 0.1 -0.02 -0.31 -0.91 -0.56 0.17 0.16 -0.2 0.92 -0.69 0.24 0.71 1.01 -0.21 1.54 -0.49 -0.81 0.1 1.44 -0.24 0.7 1.52 -0.52 0.54 -0.43 0.47 -0.03 -0.03 0.17 1.43 0.13 -0.91 1.52 -0.56 -0.66 -0.57 0.06 -0.65 0.98 0.79 0.62 1.38 1.46 0.12 -0.79 -0.46 1.41 0.23 -0.24 -0.15 -0.83 0.89 -0.7 0.84 0.88 -0.32 -0.75 1.41 1.17 1.37 1.08 0.27 -0.14 1.55 -0.87 -0.72 -0.95 -0.44 1.37 1.55 0.36 1.36 -0.5 -0.16 -0.79 -0.53 0.81 0.74 0.18 1.21 -0.75 1.34 0.05 0.63 0.34 0.28 0.86 0.28 -0.49 0.67 -0.62 -0.62 0.48 0.68 0.06 -0.27 -0.31 0.56 -0.3 0.08 -0.06 0.56 -0.26 -0.02 0.94 -0.51 0.25 -0.26 -0.64 1.16 -0.99 0.92 0.5 1.2 -0.5 0.44 -0.38 0.75 0.89 0.76 0.01 -0.89 -0.97 1.44 -0.65
最大准确率ac=0.83819

总代码

clc
clear all
close all
%% 加载神经网络的训练样本 测试样本每列一个样本 输入P 输出T
%样本数据就是前面问题描述中列出的数据
[x,y]=date_inscet();
randIndex=randperm(size(x,1));%打乱顺序
x=x(randIndex,:);y=y(randIndex,:);
x1=x(1:1000,:);y1=y(1:1000,:);x2=x(1001:end,:);y2=y(1001:end,:);
% 初始隐层神经元个数
hiddennum1=15;hiddennum2=5;
% 输入向量的最大值和最小值
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
inputnum=size(x,2);       % 输入层神经元个数
outputnum=size(y,2);      % 输出层神经元个数
w1num=inputnum*hiddennum1; % 输入层到隐层1的权值个数
w2num=hiddennum2*hiddennum1;% 隐层1到隐层2的权值个数
w3num=outputnum*hiddennum2;% 隐层2到输出层的权值个数
N=w1num+hiddennum1+w2num+hiddennum2+w3num+outputnum; %待优化的变量的个数

%% 定义遗传算法参数
NIND=40;        %个体数目
MAXGEN=50;      %最大遗传代数
PRECI=10;       %变量的二进制位数
GGAP=0.95;      %代沟
px=0.7;         %交叉概率
pm=0.01;        %变异概率
trace=zeros(N+1,MAXGEN);                        %寻优结果的初始值

%FieldD=[repmat(PRECI,1,N);repmat([-0.5;0.5],1,N);repmat([1;0;1;1],1,N)];                      %区域描述器
%Chrom=crtbp(NIND,PRECI*N);                      %初始种群
bounds=repmat([-1;1],1,N);%所有变量范围都为【-1,1】
precision=ones([1,N])*0.01;%由求解精度确定二进制编码长度
bits=ceil(log2((bounds(2,:)-bounds(1,:)) ./ precision));%由设定精度划分区间,ceil取上整
[Pop]=InitPopGray(NIND,bits);%初始化种群
bestpop=zeros([1,size(Pop,2)]);bestac=0;
%% 优化
gen=0;                                 %代计数器
[value] = fitness_funNew(Pop,bounds,precision,bits,x1,y1,x2,y2,hiddennum1,hiddennum2);%计算适应度
while gen<MAXGEN
   fprintf('%d\n',gen)
   [selectpop]=NonlinearRankSelect(value(:,2),Pop,bestpop);%排名选择
   [CrossOverPop]=CrossOver(selectpop,px);%采用多点交叉和均匀交叉，且逐步增大均匀交叉的概率
   [MutationPop]=Mutation(CrossOverPop,pm,5);%变异
   [value] = fitness_funNew(MutationPop,bounds,precision,bits,x1,y1,x2,y2,hiddennum1,hiddennum2);%计算适应度

   gen=gen+1;                                             %代计数器增加
   %获取每代的最优解及其序号，Y为最优解,I为个体的序号
   [Y,I]=max(value(:,2));
   trace(1:N,gen)=b2f(MutationPop(I,:),bounds,precision,bits);                       %记下每代的最优值
   trace(end,gen)=Y;                               %记下每代的最优值
   if Y>bestac
       bestac=Y;
       bestpop=MutationPop(I,:);
   end
   Pop=MutationPop;
end
%% 画进化图
figure(1);
plot(1:MAXGEN,trace(end,:));
grid on
xlabel('遗传代数')
ylabel('准确率的变化')
title('进化过程')
[a,b]=max(trace(end,:));
bestX=trace(1:end-1,b);
bestErr=trace(end,b);
fprintf(['最优初始权值和阈值:\nX=',num2str(bestX'),'\n最大准确率ac=',num2str(bestErr),'\n'])
weixin_42353399
关注
专栏目录
isodata的matlab代码博客-Titanic_data:泰坦尼克号_data
06-04
isodata的matlab代码博客 人工智能概述 使用机器模仿人类学习和其他方面的智能 图灵测试 测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。 多次测试（一般为5min之内），如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。 主要分支 计算机视觉(图像形成,图像处理,图像提取,图像三维推理) 自然语言处理(文本挖掘与分类,机器翻译,语音识别) 机器人 三要素 数据 算法 计算力 机器学习库 Numpy 了解Numpy运算速度上的优势 知道数组的属性，形状、类型 应用Numpy实现数组的基本操作 应用随机数组的创建实现正态分布应用 应用Numpy实现数组的逻辑运算 应用Numpy实现数组的统计运算 应用Numpy实现数组之间的运算 ndarray到底跟原生python列表有什么不同呢 ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。 这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以nda
对泰坦尼克号数据集的简单分析（决策树，支持向量机，随机森林）
06-23
RMS泰坦尼克号的沉没是历史上最臭名昭著的沉船之一。1912年4月15日，在首次航行期间，泰坦尼克号撞上冰山后沉没，2224名乘客和机组人员中有1502人遇难。这场轰动的悲剧震撼了国际社会，并导致了更好的船舶安全条例。 海难导致生命损失的原因之一是没有足够的救生艇给乘客和机组人员。虽然幸存下来的运气有一些因素，但一些人比其他人更有可能生存，比如妇女，儿童和上层阶级。
MATLAB实现BP神经网络时间序列预测（完整源码和数据）
10-19
MATLAB实现BP神经网络时间序列预测（完整源码和数据） 数据为单变量时间序列数据，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。 运行环境MATLAB2018b及以上。
Matlab对泰坦尼克号数据预处理
weixin_42353399的博客
04-01 2461
Matlab对泰坦尼克号数据预处理介绍实验步骤读取数据无缺失的属性缺失属性归一化归一化图程序代码 介绍 最近有人托我写类似于泰坦尼克号生存预测的程序，不过人家还没想好用什么方法，所以在此我又把以前用python写过的泰坦尼克号翻出来用matlab写一遍。 泰坦尼克号数据的下载与介绍就不多说了，我以前的博文都写过。 实验步骤 读取数据 [num,txt,raw]=xlsread('titanic3....
【机器学习】 利用Matlab分类学习器（精细树）预测泰坦尼克号成员存活概率
最新发布
qq_44646352的博客
09-27 870
打开Matlab分类学习器，将相关的训练数据导入，选择需要采用的特征，这里只是简单的演示，将名字等信息直接剔除掉，利用简单的信息进行预测测试。train.csv包含了船上部分乘客（891名乘客，每位乘客在表格中都有不同的一行）的详细信息。利用Matlab的数据导入功能将训练数据导入至工作区域，对变量的类型以及一些缺失值进行处理。点击训练按钮之后，即可选择相关的模型进行训练，训练好的模型可以进行导出，以便后续进行调用。这里选取的特征未经过任何预处理，可以进行处理，将一些缺失值进行填充，进一步优化模型。
随机森林做泰坦尼克号案例的Python实现
06-10
用随机森林实现泰坦尼克号数据集的分类预测，包含参数调试过程和分类结果评估，并绘制ROC曲线。
遗传算法优化人工神经网络程序
09-17
运行结果是保存了初始参数的网络结构，将它保存，便可以输入新的量加以测试啦
基于遗传算法的BP神经网络优化算法_基于遗传算法的BP神经网络优化算法_matlab_遗传神经网络_遗传算法_优化MATLAB_
09-29
综上所述，"基于遗传算法的BP神经网络优化算法"是一种结合了传统神经网络和生物进化思想的优化策略，通过MATLAB的工具箱和编程接口，我们可以实现这种优化方法，提高神经网络的学习性能和泛化能力。在实际应用中，...
遗传算法优化神经网络matlab源码
11-04
MATLAB提供了丰富的数学函数和可视化工具，使得在其中实现遗传算法和训练神经网络变得相对简单。gaot工具包可能包含了遗传算法的各种操作函数，如初始化种群、选择策略、交叉和变异函数等，以及与BP神经网络结合的...
遗传算法优化BP神经网络,遗传算法优化bp神经网络matlab代码,matlab
09-10
在“遗传算法优化BP神经网络”这个压缩包中，可能包含了MATLAB代码示例，用于演示如何将遗传算法与BP神经网络结合，以解决特定的优化问题。这些代码通常会包括网络结构定义、遗传算法参数设置、训练和测试流程等部分...
遗传算法优化神经网络实例程序
01-15
该程序非常简明详细地讲述了遗传算法优化神经网络的算法，对学习掌握该算法很有用
遗传算法优化BP神经网络完整实例
04-16
网上都认为遗传算法是优化初始权值的工具，找了一个实例研究了一番，所有的代码都在里面
遗传算法优化神经网络（BP)进行预测 GABP
03-20
GABP，遗传算法优化神经网络（BP)进行预测 ，优化前后对比，可套用在其它模型。
python学习泰坦尼克号数据文件
01-30
泰坦尼克号统计资源一共三个文件，学习python很好的模拟数据，
基于GA遗传算法优化RBF神经网络进行数据预测matlab仿真+代码操作视频
06-02
1.领域：matlab，GA遗传算法优化RBF神经网络算法 2.内容：基于GA遗传算法优化RBF神经网络进行数据预测matlab仿真+代码操作视频 3.用处：用于GA遗传算法优化RBF神经网络算法编程学习 4.指向人群：本硕博等教研...
Keras神经网络实现泰坦尼克号旅客生存预测
weixin_42353399的博客
12-01 4955
Keras神经网络实现泰坦尼克号旅客生存预测介绍数据集介绍算法实现导入数据预处理建立模型训练可视化评估，预测代码 介绍 参考资料： 网易云课堂的深度学习应用开发TensorFlow实践（https://mooc.study.163.com/learn/2001396000?tid=2403007001#/learn/content?type=detail&id=2403345467&amp...
遗传算法GA优化BP神经网络(GA-BP)回归预测-Matlab代码实现
MATLAB神经网络
04-23 5005
在使用遗传算法优化BP神经网络的回归预测问题时，将BP神经网络的参数作为遗传算法优化的目标函数，以预测误差作为适应度函数，不断更新BP神经网络的参数，以期得到更优的回归预测结果。遗传算法的主要思想是模拟生物进化过程中的自然选择和适应度递增的过程，通过选择、交叉和变异等操作，不断优化种群的适应度，最终得到最优解。在使用遗传算法优化BP神经网络的回归预测问题时，可以结合遗传算法优化算法的搜索能力和BP神经网络的学习能力，充分利用两者的优点，从而得到更好的回归预测结果。（5）BP和GA-BP模型的回归图。
遗传算法（GA）优化后RBF神经网络优化分析（Matlab代码实现）
weixin_61181717的博客
03-05 658
RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。
matlab基于遗传算法的BP神经网络优化算法（附代码）
M-博客
03-28 9121
神经网络概述 BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是 Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP神经网络获得了非常广泛的应用。据统计，有80%~90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。 BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例
评论 3
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