• 设为首页
  • 点击收藏
  • 手机版
    手机扫一扫访问
    迪恩网络手机版
  • 关注官方公众号
    微信扫一扫关注
    公众号

(PSO-BP)结合粒子群的神经网络算法以及matlab实现

原作者: [db:作者] 来自: [db:来源] 收藏 邀请

原理:
           PSO(粒子群群算法):可以在全局范围内进行大致搜索,得到一个初始解,以便BP接力
           BP(神经网络):梯度搜素,细化能力强,可以进行更仔细的搜索。
数据:对该函数((2.1*(1-x+2*x.^2).*exp(-x.^2/2))+sin(x)+x','x')[-5,5]进行采样,得到30组训练数据,拟合该网络。

     神经网络结构设置:   该网络结构为,1-7-1结构,即输入1个神经元,中间神经元7个,输出1个神经元

       程序步骤:

            第一步:先采用抽取30组数据,包括输入和输出

           第一步:运行粒子群算法,进行随机搜索,选择一个最优的解,该解的维数为22维。

           第二步:在;粒子群的解基础上进行细化搜索

程序代码:

           

clc                         
clear                
  tic              
SamNum=30;                  
                
HiddenNum=7;          
InDim=1;                
OutDim=1;      

load train_x
load train_f

a=train_x';
d=train_f';

p=[a];  
t=[d];      
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); 
         
NoiseVar=0.01;                 
Noise=NoiseVar*randn(1,SamNum);   
SamOut=tn + Noise;                 
    
   SamIn=SamIn';
   SamOut=SamOut';

MaxEpochs=60000;                       
lr=0.025;                                      
E0=0.65*10^(-6);                              

%%
%the begin of PSO
   
E0=0.001;
Max_num=500;
particlesize=200;
c1=1;
c2=1;
w=2;
vc=2;
vmax=5;
dims=InDim*HiddenNum+HiddenNum+HiddenNum*OutDim+OutDim;
x=-4+7*rand(particlesize,dims);
v=-4+5*rand(particlesize,dims);
f=zeros(particlesize,1);
 %%
 for jjj=1:particlesize
     trans_x=x(jjj,:);
    W1=zeros(InDim,HiddenNum);   
    B1=zeros(HiddenNum,1);    
    W2=zeros(HiddenNum,OutDim);           
    B2=zeros(OutDim,1);

    W1=trans_x(1,1:HiddenNum);
    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
    B2=trans_x(1,3*HiddenNum+1); 
    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    Error=Networkout-SamOut;                       
    SSE=sumsqr(Error)  
    
     f(jjj)=SSE;
 end
personalbest_x=x;
personalbest_f=f;
[groupbest_f i]=min(personalbest_f);
groupbest_x=x(i,:);
for j_Num=1:Max_num
      vc=(5/3*Max_num-j_Num)/Max_num;
    %%     
       v=w*v+c1*rand*(personalbest_x-x)+c2*rand*(repmat(groupbest_x,particlesize,1)-x);
        for kk=1:particlesize
              for  kk0=1:dims
              if v(kk,kk0)>vmax
                     v(kk,kk0)=vmax;
              else if v(kk,kk0)<-vmax
                      v(kk,kk0)=-vmax;
                  end
              end
              end
        end
        x=x+vc*v;
        %%
    for jjj=1:particlesize
                    trans_x=x(jjj,:);
                    W1=zeros(InDim,HiddenNum);   
                    B1=zeros(HiddenNum,1);    
                    W2=zeros(HiddenNum,OutDim);           
                    B2=zeros(OutDim,1);

                    W1=trans_x(1,1:HiddenNum);
                    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
                    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
                    B2=trans_x(1,3*HiddenNum+1); 
                    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
                    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
                    Error=Networkout-SamOut;                       
                    SSE=sumsqr(Error);  
    
                   f(jjj)=SSE;
     
 end    
 %%
     for kk=1:particlesize
         if f(kk)<personalbest_f(kk)
             personalbest_f(kk)=f(kk);
             personalbest_x(kk)=x(kk);
         end
     end
     [groupbest_f0 i]=min(personalbest_f);
     
     if    groupbest_f0<groupbest_f
     groupbest_x=x(i,:);
     groupbest_f=groupbest_f0;
     end
     ddd(j_Num)=groupbest_f
end
   str=num2str(groupbest_f);
    trans_x=groupbest_x;
    W1=trans_x(1,1:HiddenNum);
    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
    B2=trans_x(1,3*HiddenNum+1); 
%the end of PSO
%%
                            
for i=1:MaxEpochs
    %%
    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    Error=Networkout-SamOut;                       
    SSE=sumsqr(Error)                          

    ErrHistory=[ SSE];

    if SSE<E0,break, end      
      dB2=zeros(OutDim,1);
      dW2=zeros(HiddenNum,OutDim);
                for jj=1:HiddenNum  
                             for k=1:SamNum
                             dW2(jj,OutDim)=dW2(jj,OutDim)+Error(k)*Hiddenout(k,jj);
                             end
                end 
               for k=1:SamNum
                                 dB2(OutDim,1)=dB2(OutDim,1)+Error(k);
                             end        
     dW1=zeros(InDim,HiddenNum);
     dB1=zeros(HiddenNum,1);
  for ii=1:InDim
       for jj=1:HiddenNum
                  
                         for k=1:SamNum
                                 dW1(ii,jj)=dW1(ii,jj)+Error(k)*W2(jj,OutDim)*Hiddenout(k,jj)*(1-Hiddenout(k,jj))*(SamIn(k,ii));
                                 dB1(jj,1)=dB1(jj,1)+Error(k)*W2(jj,OutDim)*Hiddenout(k,jj)*(1-Hiddenout(k,jj));

                         end
              end
  end

    W2=W2-lr*dW2;
    B2=B2-lr*dB2;
   
    W1=W1-lr*dW1;
    B1=B1-lr*dB1;
end

Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    
aa=postmnmx(Networkout,mint,maxt);             
x=a;                                   
newk=aa;                                    
          figure                           
plot(x,d,'r-o',x,newk,'b--+') 
legend('原始数据','训练后的数据');
xlabel('x');ylabel('y');
toc

      

注:在(i5,8G,win7,64位)PC上的运行时间为30s左右。鉴于PSO带有概率性,可以多跑几次,看最佳的一次效果。

      

转载于:https://www.cnblogs.com/jacksin/p/8835907.html

原理:
           PSO(粒子群群算法):可以在全局范围内进行大致搜索,得到一个初始解,以便BP接力
           BP(神经网络):梯度搜素,细化能力强,可以进行更仔细的搜索。
数据:对该函数((2.1*(1-x+2*x.^2).*exp(-x.^2/2))+sin(x)+x','x')[-5,5]进行采样,得到30组训练数据,拟合该网络。

     神经网络结构设置:   该网络结构为,1-7-1结构,即输入1个神经元,中间神经元7个,输出1个神经元

       程序步骤:

            第一步:先采用抽取30组数据,包括输入和输出

           第一步:运行粒子群算法,进行随机搜索,选择一个最优的解,该解的维数为22维。

           第二步:在;粒子群的解基础上进行细化搜索

程序代码:

           

clc                         
clear                
  tic              
SamNum=30;                  
                
HiddenNum=7;          
InDim=1;                
OutDim=1;      

load train_x
load train_f

a=train_x';
d=train_f';

p=[a];  
t=[d];      
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); 
         
NoiseVar=0.01;                 
Noise=NoiseVar*randn(1,SamNum);   
SamOut=tn + Noise;                 
    
   SamIn=SamIn';
   SamOut=SamOut';

MaxEpochs=60000;                       
lr=0.025;                                      
E0=0.65*10^(-6);                              

%%
%the begin of PSO
   
E0=0.001;
Max_num=500;
particlesize=200;
c1=1;
c2=1;
w=2;
vc=2;
vmax=5;
dims=InDim*HiddenNum+HiddenNum+HiddenNum*OutDim+OutDim;
x=-4+7*rand(particlesize,dims);
v=-4+5*rand(particlesize,dims);
f=zeros(particlesize,1);
 %%
 for jjj=1:particlesize
     trans_x=x(jjj,:);
    W1=zeros(InDim,HiddenNum);   
    B1=zeros(HiddenNum,1);    
    W2=zeros(HiddenNum,OutDim);           
    B2=zeros(OutDim,1);

    W1=trans_x(1,1:HiddenNum);
    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
    B2=trans_x(1,3*HiddenNum+1); 
    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    Error=Networkout-SamOut;                       
    SSE=sumsqr(Error)  
    
     f(jjj)=SSE;
 end
personalbest_x=x;
personalbest_f=f;
[groupbest_f i]=min(personalbest_f);
groupbest_x=x(i,:);
for j_Num=1:Max_num
      vc=(5/3*Max_num-j_Num)/Max_num;
    %%     
       v=w*v+c1*rand*(personalbest_x-x)+c2*rand*(repmat(groupbest_x,particlesize,1)-x);
        for kk=1:particlesize
              for  kk0=1:dims
              if v(kk,kk0)>vmax
                     v(kk,kk0)=vmax;
              else if v(kk,kk0)<-vmax
                      v(kk,kk0)=-vmax;
                  end
              end
              end
        end
        x=x+vc*v;
        %%
    for jjj=1:particlesize
                    trans_x=x(jjj,:);
                    W1=zeros(InDim,HiddenNum);   
                    B1=zeros(HiddenNum,1);    
                    W2=zeros(HiddenNum,OutDim);           
                    B2=zeros(OutDim,1);

                    W1=trans_x(1,1:HiddenNum);
                    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
                    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
                    B2=trans_x(1,3*HiddenNum+1); 
                    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
                    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
                    Error=Networkout-SamOut;                       
                    SSE=sumsqr(Error);  
    
                   f(jjj)=SSE;
     
 end    
 %%
     for kk=1:particlesize
         if f(kk)<personalbest_f(kk)
             personalbest_f(kk)=f(kk);
             personalbest_x(kk)=x(kk);
         end
     end
     [groupbest_f0 i]=min(personalbest_f);
     
     if    groupbest_f0<groupbest_f
     groupbest_x=x(i,:);
     groupbest_f=groupbest_f0;
     end
     ddd(j_Num)=groupbest_f
end
   str=num2str(groupbest_f);
    trans_x=groupbest_x;
    W1=trans_x(1,1:HiddenNum);
    B1=trans_x(1,HiddenNum+1:2*HiddenNum)'; 
    W2=trans_x(1,2*HiddenNum+1:3*HiddenNum)';           
    B2=trans_x(1,3*HiddenNum+1); 
%the end of PSO
%%
                            
for i=1:MaxEpochs
    %%
    Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
    Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    Error=Networkout-SamOut;                       
    SSE=sumsqr(Error)                          

    ErrHistory=[ SSE];

    if SSE<E0,break, end      
      dB2=zeros(OutDim,1);
      dW2=zeros(HiddenNum,OutDim);
                for jj=1:HiddenNum  
                             for k=1:SamNum
                             dW2(jj,OutDim)=dW2(jj,OutDim)+Error(k)*Hiddenout(k,jj);
                             end
                end 
               for k=1:SamNum
                                 dB2(OutDim,1)=dB2(OutDim,1)+Error(k);
                             end        
     dW1=zeros(InDim,HiddenNum);
     dB1=zeros(HiddenNum,1);
  for ii=1:InDim
       for jj=1:HiddenNum
                  
                         for k=1:SamNum
                                 dW1(ii,jj)=dW1(ii,jj)+Error(k)*W2(jj,OutDim)*Hiddenout(k,jj)*(1-Hiddenout(k,jj))*(SamIn(k,ii));
                                 dB1(jj,1)=dB1(jj,1)+Error(k)*W2(jj,OutDim)*Hiddenout(k,jj)*(1-Hiddenout(k,jj));

                         end
              end
  end

    W2=W2-lr*dW2;
    B2=B2-lr*dB2;
   
    W1=W1-lr*dW1;
    B1=B1-lr*dB1;
end

Hiddenout=logsig(SamIn*W1+repmat(B1',SamNum,1));
Networkout=Hiddenout*W2+repmat(B2',SamNum,1);
    
aa=postmnmx(Networkout,mint,maxt);             
x=a;                                   
newk=aa;                                    
          figure                           
plot(x,d,'r-o',x,newk,'b--+') 
legend('原始数据','训练后的数据');
xlabel('x');ylabel('y');
toc

      

注:在(i5,8G,win7,64位)PC上的运行时间为30s左右。鉴于PSO带有概率性,可以多跑几次,看最佳的一次效果。

      


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

专题导读
上一篇:
区域生长算法(手动选取种子点)MATLAB发布时间:2022-07-22
下一篇:
matlab之数组反序输出发布时间:2022-07-22
热门推荐
阅读排行榜

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

139-2527-9053

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:深圳市南山区西丽大学城创智工业园
电邮:jeky_zhao#qq.com
移动电话:139-2527-9053

Powered by 互联科技 X3.4© 2001-2213 极客世界.|Sitemap