FNN回归预测基于matlab粒子群优化前馈神经网络婚姻和离婚数据回归预测含Matlab源码 2069期

Posted 2022-08-31 海神之光

一、粒子群优化前馈神经网络简介

1 前馈神经网络FNN
前馈神经网络FNN是解决非线性问题的很好模型,它通过梯度下降算法进行网络训练。FNN与时间序列法等传统方法相比,能够更好地来描述问题的非线性特性;与支持向量机等智能方法相比,其网络结构简单,不需要人为选定惩罚因子和损失因子,结构可以人为设定,归纳性能更好更灵活。将BP神经网络引入到短期负荷预测中。将径向基函数(Radial Basis Function,RBF)神经网络引入到短期负荷预测中。将模糊神经网络引入到负荷预测中。它们都属于FNN,并且取得了很好的预测效果。虽然FNN应用广泛,结构简单,层次清晰,但是其缺陷却不可忽视。前馈神经网络采用传统的训练算法,极易陷入局部最小,并且训练时间长,其本质是静态网络,无法很好地表征系统的动态特性。

粒子群算法是一种基于群体智能行为的启发式随机搜索优化方法,于1995年由Kennedy和Eberhart提出。

2 标准粒子群算法
假设在D维搜索空间有一群体,其粒子数为m;xi=(xi1,xi2,…,xiD)为第i个粒子的位置;vi=(vi1,vi2,…,viD)为第i个粒子的飞行速度;Pi=(pi1,Pi2,…,piD)为第i个粒子经历过的最好位置,即个体适应度值最优;Pg=(pg1,pg2,…,pgD)为所有粒子经历过的最好位置,即群体适应度值最优。每次迭代粒子根据式(5)更新自己的速度和位置:

式中:w为惯性权重,取0.1～0.9;c1和c2为学习因子,一般均取2;r1和r2为[0,1]之间随机数。式(5)由3部分组成,第一部分为粒子之前的速度;第二部分为“认知”部分,代表粒子本身的思考,仅考虑自身的经验;第三部分为“社会”部分,代表着粒子之间的社会信息共享。

粒子在搜索过程中,速度和位置都有一定的限制,即vmin≤vi≤vmax,xmin≤xi≤xmax,如果超出,就取边界值。

二、部分源代码

%-----------------------------------------------------------------------
clear;
close all
Data=load(‘Marriage_Divorce_DB.mat’);
Inputs=Data.Marriage_Divorce_DB(:,1:end-1);
Targets=Data.Marriage_Divorce_DB(:,end);
%% 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,Inputs’, Targets’);
perf = perform(net,Inputs, Targets); % mse
% Current NN Weights and Bias
Weights_Bias = getwb(net);
% MSE Error for Current NN
Outputs=net(Inputs’);
Outputs=Outputs’;
% Final MSE Error and Correlation Coefficients (CC)
Err_MSE=mse(Targets,Outputs);
CC1= corrcoef(Targets,Outputs);
CC1= CC1(1,2);
%-----------------------------------------------------
%% Nature Inspired Regression
% Create Handle for Error
h = @(x) NMSE(x, net, Inputs’, Targets’);
sizenn=size(Inputs);sizenn=sizenn(1,1);
%-----------------------------------------
%% Please select BBO (bbo) or PSO (pso)
[x, cost] = pso(h, sizenn*n+n+n+1);

%-----------------------------------------
net = setwb(net, x’);
% Optimized NN Weights and Bias
getwb(net);
% Error for Optimized NN
Outputs2=net(Inputs’);
Outputs2=Outputs2’;
% Final MSE Error and Correlation Coefficients (CC)
Err_MSE2=mse(Targets,Outputs2);
CC2= corrcoef(Targets,Outputs2);
CC2= CC2(1,2);

%% Plot Regression
figure(‘units’,‘normalized’,‘outerposition’,[0 0 1 1])
% Normal
subplot(1,2,1)
[population2,gof] = fit(Targets,Outputs,‘poly3’);
plot(Targets,Outputs,‘o’,…
‘LineWidth’,1,…
‘MarkerSize’,8,…
‘MarkerEdgeColor’,‘r’,…
‘MarkerFaceColor’,[0.3,0.9,0.1]);
title(['Normal R = ’ num2str(1-gof.rmse)]);
hold on
plot(population2,‘b-’,‘predobs’);
xlabel(‘Targets’);ylabel(‘Outputs’); grid on;
ax = gca;
ax.FontSize = 12; ax.LineWidth=2;
legend(‘Normal Regression’,‘FontSize’,12,‘TextColor’,‘blue’);hold off
% PSO
subplot(1,2,2)
[population3,gof3] = fit(Targets,Outputs2,‘poly3’);
plot(Targets,Outputs2,‘o’,…
‘LineWidth’,1,…
‘MarkerSize’,8,…
‘MarkerEdgeColor’,‘g’,…
‘MarkerFaceColor’,[0.9,0.3,0.1]);
title(['PSO R = ’ num2str(1-gof3.rmse)]);
hold on
plot(population3,‘b-’,‘predobs’);
xlabel(‘Targets’);ylabel(‘Outputs’); grid on;
ax = gca;
ax.FontSize = 12; ax.LineWidth=2;
legend(‘PSO Regression’,‘FontSize’,12,‘TextColor’,‘blue’);hold off

% Correlation Coefficients
fprintf(‘Normal Correlation Coefficients Is = %0.4f.\\n’,CC1);
fprintf(‘PSO Correlation Coefficients Is = %0.4f.\\n’,CC2);

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 孙景文,常鲜戎.基于高斯混沌粒子群优化动态前馈神经网络的短期负荷预测[J].陕西电力. 2015,43(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除