资源描述：
《遗传算法优化的BP神经网络建模》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、遗传算法优化的BP神经网络建模十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。 遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。目标： 对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算
2、法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。步骤：未经遗传算法优化的BP神经网络建模1、 随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。2、 数据预处理：归一化处理。3、 构建BP神经网络的隐层数，次数，步长，目标。4、 使用训练数据input_train训练BP神经网络net。5、 用
3、测试数据input_test测试神经网络，并将预测的数据反归一化处理。6、 分析预测数据与期望数据之间的误差。遗传算法优化的BP神经网络建模1、 读取前面步骤中保存的数据data；2、 对数据进行归一化处理；3、 设置隐层数目；4、 初始化进化次数，种群规模，交叉概率，变异概率5、 对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；6、 循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；7、 将得到最佳初始权值和阈值来构建BP神经网络
4、；8、 使用训练数据input_train训练BP神经网络net;9、 用测试数据input_test测试神经网络，并将预测的数据反归一化处理；10、 分析预测数据与期望数据之间的误差。算法流程图如下：运行后使用遗传算法改进前后误差的对比图：程序：1、未经遗传算法优化的BP神经网络建模clear;clc;%%%%%%%%%%%%%输入参数%%%%%%%%%%%%%%N=2000; %数据总个数M=1500; %训练数据%%%%%%
5、%%%%%%%训练数据%%%%%%%%%%%%%%fori=1:N input(i,1)=-5+rand*10; input(i,2)=-5+rand*10;endoutput=input(:,1).^2+input(:,2).^2;savedatainputoutput loaddata.mat %从1到N随机排序k=rand(1,N);[m,n]=sort(k);%找出训练数据和预测数据input_train=input(n(1:M),:)';output_train=output(n(
6、1:M),:)';input_test=input(n((M+1):N),:)';output_test=output(n((M+1):N),:)';%数据归一化[inputn,inputs]=mapminmax(input_train);[outputn,outputs]=mapminmax(output_train);%构建BP神经网络net=newff(inputn,outputn,5);net.trainParam.epochs=100;net.trainParam.lr=0.1;net.tra
7、inParam.goal=0.0000004;%BP神经网络训练net=train(net,inputn,outputn);%测试样本归一化inputn_test=mapminmax('apply',input_test,inputs);%BP神经网络预测an=sim(net,inputn_test);%%网络得到数据反归一化BPoutput=mapminmax('reverse',an,outputs); figure(1)%plot(BPoutput,':og');scatter(1:(N-M),B
8、Poutput,'rx');holdon;%plot(output_test,'-*');scatter(1:(N-M),output_test,'o');legend('预测输出','期望输出','fontsize',12);title('BP网络预测输出','fontsize',12);xlabel('样本','fontsize',12);xlabel('优化前输出的误差','fontsize',12); figure(2)error=
