门户网站建设公司,数学网站怎么做,网页设计建网站,成都seo优化外包公司多维时序 | MATLAB实现PSO-BP多变量时间序列预测(粒子群优化BP神经网络) 目录 多维时序 | MATLAB实现PSO-BP多变量时间序列预测(粒子群优化BP神经网络)效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab实现PSO-BP粒子群优化BP神经网络多变量时间序列预测#xff…多维时序 | MATLAB实现PSO-BP多变量时间序列预测(粒子群优化BP神经网络) 目录 多维时序 | MATLAB实现PSO-BP多变量时间序列预测(粒子群优化BP神经网络)效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab实现PSO-BP粒子群优化BP神经网络多变量时间序列预测 2.运行环境为Matlab2018b 3.输入多个特征输出单个变量考虑历史特征的影响多变量时间序列预测 4.data为数据集PSO_BPNTS.m为主程序运行即可,所有文件放在一个文件夹 5.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价 程序设计
完整程序和数据下载私信博主回复MATLAB实现PSO-BP多变量时间序列预测(粒子群优化BP神经网络)。
%------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------P_train res(temp(1: 700), 1: 7);
T_train res(temp(1: 700), 8);
M size(P_train, 2);P_test res(temp(701: end), 1: 7);
T_test res(temp(701: end), 8);
N size(P_test, 2);%% 数据归一化
[p_train, ps_input] mapminmax(P_train, 0, 1);
p_test mapminmax(apply, P_test, ps_input);[t_train, ps_output] mapminmax(T_train, 0, 1);
t_test mapminmax(apply, T_test, ps_output);%% 节点个数
inputnum size(p_train, 1); % 输入层节点数
hiddennum 5; % 隐藏层节点数
outputnum size(t_train, 1); % 输出层节点数%% 建立网络
net newff(p_train, t_train, hiddennum);%% 设置训练参数
net.trainParam.epochs 1000; % 训练次数
net.trainParam.goal 1e-6; % 目标误差
net.trainParam.lr 0.01; % 学习率
net.trainParam.showWindow 0; % 关闭窗口%% 参数初始化
c1 4.494; % 学习因子
c2 4.494; % 学习因子
maxgen 30; % 种群更新次数
sizepop 5; % 种群规模
Vmax 1.0; % 最大速度
Vmin -1.0; % 最小速度
popmax 1.0; % 最大边界
popmin -1.0; % 最小边界%% 节点总数
numsum inputnum * hiddennum hiddennum hiddennum * outputnum outputnum;for i 1 : sizepoppop(i, :) rands(1, numsum); % 初始化种群V(i, :) rands(1, numsum); % 初始化速度fitness(i) fun(pop(i, :), hiddennum, net, p_train, t_train);
end%% 个体极值和群体极值
[fitnesszbest, bestindex] min(fitness);
zbest pop(bestindex, :); % 全局最佳
gbest pop; % 个体最佳
fitnessgbest fitness; % 个体最佳适应度值
BestFit fitnesszbest; % 全局最佳适应度值%% 迭代寻优
for i 1: maxgenfor j 1: sizepop% 速度更新V(j, :) V(j, :) c1 * rand * (gbest(j, :) - pop(j, :)) c2 * rand * (zbest - pop(j, :));V(j, (V(j, :) Vmax)) Vmax;V(j, (V(j, :) Vmin)) Vmin;% 种群更新pop(j, :) pop(j, :) 0.2 * V(j, :);pop(j, (pop(j, :) popmax)) popmax;pop(j, (pop(j, :) popmin)) popmin;% 自适应变异pos unidrnd(numsum);if rand 0.85pop(j, pos) rands(1, 1);end% 适应度值fitness(j) fun(pop(j, :), hiddennum, net, p_train, t_train);endfor j 1 : sizepop% 个体最优更新if fitness(j) fitnessgbest(j)gbest(j, :) pop(j, :);fitnessgbest(j) fitness(j);end% 群体最优更新 if fitness(j) fitnesszbestzbest pop(j, :);fitnesszbest fitness(j);endendBestFit [BestFit, fitnesszbest];
end
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm1001.2014.3001.5502
