合肥软件开发,wordpress joomla seo,漯河网站关键词优化,搜索排名竞价基于鹰栖息算法优化的BP神经网络#xff08;预测应用#xff09; - 附代码 文章目录 基于鹰栖息算法优化的BP神经网络#xff08;预测应用#xff09; - 附代码1.数据介绍2.鹰栖息优化BP神经网络2.1 BP神经网络参数设置2.2 鹰栖息算法应用 4.测试结果#xff1a;5.Matlab代…基于鹰栖息算法优化的BP神经网络预测应用 - 附代码 文章目录 基于鹰栖息算法优化的BP神经网络预测应用 - 附代码1.数据介绍2.鹰栖息优化BP神经网络2.1 BP神经网络参数设置2.2 鹰栖息算法应用 4.测试结果5.Matlab代码 摘要本文主要介绍如何用鹰栖息算法优化BP神经网络并应用于预测。 1.数据介绍
本案例数据一共2000组其中1900组用于训练100组用于测试。数据的输入为2维数据预测的输出为1维数据
2.鹰栖息优化BP神经网络
2.1 BP神经网络参数设置
神经网络参数如下
%% 构造网络结构
%创建神经网络
inputnum 2; %inputnum 输入层节点数 2维特征
hiddennum 10; %hiddennum 隐含层节点数
outputnum 1; %outputnum 隐含层节点数2.2 鹰栖息算法应用
鹰栖息算法原理请参考https://blog.csdn.net/u011835903/article/details/123363341
鹰栖息算法的参数设置为
popsize 20;%种群数量
Max_iteration 20;%最大迭代次数
lb -5;%权值阈值下边界
ub 5;%权值阈值上边界
% inputnum * hiddennum hiddennum*outputnum 为阈值的个数
% hiddennum outputnum 为权值的个数
dim inputnum * hiddennum hiddennum*outputnum hiddennum outputnum ;% inputnum * hiddennum hiddennum*outputnum维度
这里需要注意的是神经网络的阈值数量计算方式如下
本网络有2层
第一层的阈值数量为2*10 20 即inputnum * hiddennum
第一层的权值数量为10即hiddennum
第二层的阈值数量为10*1 10即hiddenum * outputnum
第二层权值数量为1即outputnum
于是可知我们优化的维度为inputnum * hiddennum hiddennum*outputnum hiddennum outputnum 41
适应度函数值设定
本文设置适应度函数如下 f i t n e s s a r g m i n ( m s e ( T r a i n D a t a E r r o r ) m e s ( T e s t D a t a E r r o r ) ) fitness argmin(mse(TrainDataError) mes(TestDataError)) fitnessargmin(mse(TrainDataError)mes(TestDataError)) 其中TrainDataError,TestDataError分别为训练集和测试集的预测误差。mse为求取均方误差函数适应度函数表明我们最终想得到的网络是在测试集和训练集上均可以得到较好结果的网络。
4.测试结果
从鹰栖息算法的收敛曲线可以看到整体误差是不断下降的说明鹰栖息算法起到了优化的作用 5.Matlab代码
