AI 助理
备案控制台
开发者社区 人工智能 文章 正文

【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比

2023-07-30 80
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 后台私信回复“62期”即可获取下载链接。

【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比

一、数据设置

1、7输入1输出
2、103行样本
3、80个训练样本，23个测试样本

二、效果展示

2023-07-30_181536.png
2023-07-30_181521.png
2023-07-30_181510.png
2023-07-30_181456.png
2023-07-30_181447.png

NN训练集数据的R2为：0.73013
NN测试集数据的R2为：0.23848
NN训练集数据的MAE为：3.0122
NN测试集数据的MAE为：4.4752
NN训练集数据的MAPE为：0.088058
NN测试集数据的MAPE为：0.1302
PSO-NN训练集数据的R2为：0.76673
PSO-NN测试集数据的R2为：0.72916
PSO-NN训练集数据的MAE为：3.124
PSO-NN测试集数据的MAE为：3.1873
PSO-NN训练集数据的MAPE为：0.088208
PSO-NN测试集数据的MAPE为：0.094787
BBO-NN训练集数据的R2为：0.67729
BBO-NN测试集数据的R2为：0.46872
BBO-NN训练集数据的MAE为：3.5204
BBO-NN测试集数据的MAE为：4.4843
BBO-NN训练集数据的MAPE为：0.099475
BBO-NN测试集数据的MAPE为：0.14177

三、代码展示（部分）

%%PSO-NN及BBO-BP回归
%基于生物地理优化进化算法(BBO)
%-----------------------------------------------------------------------
%%  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
rng(0)
%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: 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);
%% Learning 
n = 9; % Neurons
%----------------------------------------
% 'trainlm'        Levenberg-Marquardt
% 'trainbr'     Bayesian Regularization (good)
% 'trainrp'      Resilient Backpropagation
% 'traincgf'    Fletcher-Powell Conjugate Gradient
% 'trainoss'    One Step Secant (good)
% 'traingd'     Gradient Descent
% Creating the NN ----------------------------
net = feedforwardnet(n,'trainoss');
%---------------------------------------------
% configure the neural network for this dataset
[net tr]= train(net,p_train, t_train);
perf = perform(net,p_train', t_train'); % mse

%%  仿真预测
t_sim01=net(p_train);
t_sim02=net(p_test);
T_sim01 = mapminmax('reverse', t_sim01, ps_output);
T_sim02 = mapminmax('reverse', t_sim02, ps_output);

%%  均方根误差
error01 = sqrt(sum((T_sim01 - T_train).^2) ./ M);
error02 = sqrt(sum((T_sim02 - T_test ).^2) ./ N);


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim01, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'NN训练集预测结果对比'; ['RMSE=' num2str(error01)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim02, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'NN测试集预测结果对比'; ['RMSE=' num2str(error02)]};
title(string)
xlim([1, N])
grid


t_sim11=net_pso(p_train);
t_sim22=net_pso(p_test);
T_sim11 = mapminmax('reverse', t_sim11, ps_output);
T_sim22 = mapminmax('reverse', t_sim22, ps_output);
%%  均方根误差
error11 = sqrt(sum((T_sim11 - T_train).^2) ./ M);
error22 = sqrt(sum((T_sim22 - T_test ).^2) ./ N);

%%  相关指标计算
%  R2
R01 = 1 - norm(T_train - T_sim01)^2 / norm(T_train - mean(T_train))^2;
R02 = 1 - norm(T_test  - T_sim02)^2 / norm(T_test  - mean(T_test ))^2;

disp(['NN训练集数据的R2为：', num2str(R01)])
disp(['NN测试集数据的R2为：', num2str(R02)])

%  MAE
mae01 = sum(abs(T_sim01 - T_train)) ./ M ;
mae02 = sum(abs(T_sim02 - T_test )) ./ N ;

disp(['NN训练集数据的MAE为：', num2str(mae01)])
disp(['NN测试集数据的MAE为：', num2str(mae02)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));

mape01 = mean(abs((T_train - T_sim01)./T_train));    
mape02 = mean(abs((T_test - T_sim02 )./T_test));      

disp(['NN训练集数据的MAPE为：', num2str(mape01)])
disp(['NN测试集数据的MAPE为：', num2str(mape02)])


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim11, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'PSO-NN训练集预测结果对比'; ['RMSE=' num2str(error11)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim22, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'PSO-NN测试集预测结果对比'; ['RMSE=' num2str(error22)]};
title(string)
xlim([1, N])
grid

%%  相关指标计算
%  R2
R11 = 1 - norm(T_train - T_sim11)^2 / norm(T_train - mean(T_train))^2;
R22 = 1 - norm(T_test  - T_sim22)^2 / norm(T_test  - mean(T_test ))^2;

disp(['PSO-NN训练集数据的R2为：', num2str(R11)])
disp(['PSO-NN测试集数据的R2为：', num2str(R22)])

%  MAE
mae11 = sum(abs(T_sim11 - T_train)) ./ M ;
mae22 = sum(abs(T_sim22 - T_test )) ./ N ;

disp(['PSO-NN训练集数据的MAE为：', num2str(mae11)])
disp(['PSO-NN测试集数据的MAE为：', num2str(mae22)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));

mape11 = mean(abs((T_train - T_sim11)./T_train));    
mape22 = mean(abs((T_test - T_sim22 )./T_test));      

disp(['PSO-NN训练集数据的MAPE为：', num2str(mape11)])
disp(['PSO-NN测试集数据的MAPE为：', num2str(mape22)])



%% BBO优化 NN 权重和偏差
%% PSO优化 NN 权重和偏差
Weights_Bias_bbo=getwb(net_bbo);

t_sim31=net_bbo(p_train);
t_sim32=net_bbo(p_test);
T_sim31 = mapminmax('reverse', t_sim31, ps_output);
T_sim32 = mapminmax('reverse', t_sim32, ps_output);
%%  均方根误差
error31 = sqrt(sum((T_sim31 - T_train).^2) ./ M);
error32 = sqrt(sum((T_sim32 - T_test ).^2) ./ N);


%%  绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, 'r-*', 1: M, T_sim31, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'BBO-NN训练集预测结果对比'; ['RMSE=' num2str(error31)]};
title(string)
xlim([1, M])
grid

subplot(2,1,2)
plot(1: N, T_test, 'r-*', 1: N, T_sim32, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   'BBO-NN测试集预测结果对比'; ['RMSE=' num2str(error32)]};
title(string)
xlim([1, N])
grid

%%  相关指标计算
%  R2
R31 = 1 - norm(T_train - T_sim31)^2 / norm(T_train - mean(T_train))^2;
R32 = 1 - norm(T_test  - T_sim32)^2 / norm(T_test  - mean(T_test ))^2;

disp(['BBO-NN训练集数据的R2为：', num2str(R31)])
disp(['BBO-NN测试集数据的R2为：', num2str(R32)])

%  MAE
mae31 = sum(abs(T_sim31 - T_train)) ./ M ;
mae32 = sum(abs(T_sim32 - T_test )) ./ N ;

disp(['BBO-NN训练集数据的MAE为：', num2str(mae31)])
disp(['BBO-NN测试集数据的MAE为：', num2str(mae32)])

%  MAPE   mape = mean(abs((YReal - YPred)./YReal));

mape31 = mean(abs((T_train - T_sim31)./T_train));    
mape32 = mean(abs((T_test - T_sim32 )./T_test));      

disp(['BBO-NN训练集数据的MAPE为：', num2str(mape31)])
disp(['BBO-NN测试集数据的MAPE为：', num2str(mape32)])

四、代码获取

后台私信回复“62期”即可获取下载链接。

文章标签：
机器学习/深度学习
关键词：
前馈网络
前馈神经网络
MATLAB网络
MATLAB神经网络
神经网络前馈
随风飘摇的土木狗
目录
相关文章
软件算法开发
|
16天前
|
算法
基于GA遗传优化的离散交通网络双层规划模型设计matlab仿真
该程序基于GA遗传优化设计了离散交通网络的双层规划模型，以路段收费情况的优化为核心，并通过一氧化碳排放量评估环境影响。在MATLAB2022a版本中进行了验证，显示了系统总出行时间和区域排放最小化的过程。上层模型采用多目标优化策略，下层则确保总阻抗最小，实现整体最优解。
软件算法开发
47 3
简简单单做算法
|
23天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的USB摄像头实时视频采集与水果识别matlab仿真
本项目展示了使用MATLAB 2022a和USB摄像头识别显示器上不同水果图片的算法。通过预览图可见其准确识别效果，完整程序无水印。项目采用GoogleNet（Inception-v1）深度卷积神经网络，利用Inception模块捕捉多尺度特征。代码含详细中文注释及操作视频，便于理解和使用。
简简单单做算法
93 5
简简单单做算法
|
3天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了一种结合粒子群优化（PSO）与分组卷积神经网络（GroupCNN）的时间序列预测算法。该算法通过PSO寻找最优网络结构和超参数，提高预测准确性与效率。软件基于MATLAB 2022a，提供完整代码及详细中文注释，并附带操作步骤视频。分组卷积有效降低了计算成本，而PSO则智能调整网络参数。此方法特别适用于金融市场预测和天气预报等场景。
简简单单做算法
13 0
简简单单做算法
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于NSCT非采样轮廓波变换和CNN网络人脸识别matlab仿真
本项目展示了一种结合非采样轮廓波变换（NSCT）与卷积神经网络（CNN）的人脸识别系统。通过NSCT提取多尺度、多方向特征，并利用CNN的强大分类能力实现高效识别。项目包括ORL人脸库的训练结果对比，提供Matlab 2022a版本下的完整代码及详细中文注释，另有操作步骤视频指导。
简简单单做算法
21 0
软件算法开发
|
8天前
|
机器学习/深度学习 算法
基于小波神经网络的数据分类算法matlab仿真
该程序基于小波神经网络实现数据分类，输入为5个特征值，输出为“是”或“否”。使用MATLAB 2022a版本，50组数据训练，30组数据验证。通过小波函数捕捉数据局部特征，提高分类性能。训练误差和识别结果通过图表展示。
软件算法开发
22 0
简简单单做算法
|
9天前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的CNN-LSTM的时间序列回归预测matlab仿真
本项目展示了一种结合灰狼优化（GWO）与深度学习模型（CNN和LSTM）的时间序列预测方法。GWO算法高效优化模型超参数，提升预测精度。CNN提取局部特征，LSTM处理长序列依赖，共同实现准确的未来数值预测。项目包括MATLAB 2022a环境下运行的完整代码及视频教程，代码内含详细中文注释，便于理解和操作。
简简单单做算法
15 0
简简单单做算法
|
1月前
|
机器学习/深度学习 算法 数据挖掘
基于WOA优化的CNN-LSTM的时间序列回归预测matlab仿真
本项目采用MATLAB 2022a实现时间序列预测，利用CNN与LSTM结合的优势，并以鲸鱼优化算法（WOA）优化模型超参数。CNN提取时间序列的局部特征，LSTM处理长期依赖关系，而WOA确保参数最优配置以提高预测准确性。完整代码附带中文注释及操作指南，运行效果无水印展示。
简简单单做算法
43 1
wljslmz
|
1月前
|
机器学习/深度学习 监控 数据可视化
如何使用 TensorFlow 构建一个简单的前馈神经网络进行图像分类
【8月更文挑战第15天】
wljslmz
41 0
软件算法开发
|
1月前
|
算法
蜂窝网络下行链路的覆盖率和速率性能matlab仿真分析
此程序在MATLAB2022a环境下运行，基于随机几何模型评估蜂窝网络的下行链路覆盖率和速率性能。通过模拟不同场景下的基站（BS）配置与噪声情况，计算并绘制了各种条件下的信号干扰加噪声比（SINR）阈值与覆盖率概率的关系图。结果显示，在考虑噪声和不同基站分布模型时，覆盖率有显著差异，提出的随机模型相较于传统网格模型更为保守但也更加贴合实际基站的分布情况。
软件算法开发
36 0
muxiaoxi
|
2天前
|
SQL 安全 网络安全
网络安全与信息安全：保护你的数字世界##
网络安全和信息安全是现代社会中至关重要的话题。随着数字化进程的加速，网络攻击和数据泄露事件频发，给个人、企业乃至国家安全带来了巨大威胁。本文将探讨网络安全漏洞、加密技术以及安全意识等方面的关键知识，帮助你提升对网络安全的认知，保护自己的数字资产。 ##
muxiaoxi
20 5

热门文章

最新文章

  • 1
    【深度神经网络 One-shot Learning】孪生网络少样本精准分类
  • 2
    神经网络权重初始化问题
  • 3
    【数据挖掘实战】——家用电器用户行为分析及事件识别(BP神经网络)
  • 4
    scikit-learn学习之神经网络算法
  • 5
    用验证机制加强神经网络的能力：研究者提出机器学习防御措施
  • 6
    神经网络梯度下降的三种学习方式
  • 7
    手撕Resnet卷积神经网络-pytorch-详细注释版（可以直接替换自己数据集）-直接放置自己的数据集就能直接跑。跑的代码有问题的可以在评论区指出，看到了会回复。训练代码和预测代码均有。
  • 8
    从头训练一个神经网络！教它学会莫奈风格作画！⛵
  • 9
    【CNN时序预测】基于卷积神经网络的时间序列预测附matlab完整代码
  • 10
    用纯Python实现循环神经网络RNN向前传播过程(吴恩达DeepLearning.ai作业)
  • 1
    云端之盾：构建云计算环境下的网络安全防线
    64
  • 2
    【AI 初识】什么是卷积神经网络 （CNN）？
    107
  • 3
    【AI 初识】递归神经网络 （RNN） 概念
    99
  • 4
    【AI 初识】神经网络有哪些不同类型？
    94
  • 5
    【AI 初识】激活函数在神经网络中的作用是什么？
    297
  • 6
    网络安全的堡垒：漏洞防护、加密技术与安全意识
    53
  • 7
    深度学习中的卷积神经网络（CNN）详解
    315
  • 8
    网络安全基础之计算机硬件介绍(上
    65
  • 9
    网络安全与信息安全：防御前线的关键技术与策略
    44
  • 10
    网络安全与信息安全：保护您的数据和隐私
    48

    • 相关课程

    更多
  • TCP/IP 网络基础
  • 云计算工程师解析与实战-网络专家篇（体验版）
  • 云网络白皮书-阿里云网络系列课
  • 企业上云攻略-阿里云网络产品应用系列教程
  • Linux网络进阶 - TCP/IP协议及OSI七层模型
  • 网络管理者必知-2分钟了解新出台的《网络安全法》

    • 相关电子书

    更多
  • 可编程网络视角的网络创新研究
  • 可编程网络和SDN3.0
  • 开放促进创新：构建开放网络生态

    • 相关实验场景

    更多
  • 容器的网络入门
  • 容器的自定义网络
  • 容器的共享网络模型
  • 使用阿里云容器服务和容器网络文件系统搭建WordPress网站
    • 下一篇
    通义千问API入门教程