预测模型基于麻雀算法改进广义回归神经网络(GRNN)实现数据预测matlab代码
Posted Matlab科研工作室
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了预测模型基于麻雀算法改进广义回归神经网络(GRNN)实现数据预测matlab代码相关的知识,希望对你有一定的参考价值。
1 简介
为实现精准施肥"减施增效"的数字化农业施肥技术,本文基于并运用了麻雀搜索算法,对广义回归神经网络(GRNN)进行了结合与改进,并构建作物广义回归神经网络(GRNN)结合麻雀搜索算法的预测施肥量模型.通过采集得到的数据样本会被用来输入MATLAB进行仿真和实验验证.仿真和实验结果表明,基于麻雀搜索算法的GRNN神经网络模型比BP神经网络具有更少的输入参数,能更好地反映施肥量与诸多影响因素之间的关系,具有实用价值.且基于麻雀搜索算法改进的GRNN神经网络算法模型人为设定量更少,更为客观,预测值与实际值之间的误差更小,预测结果更加准确.
2 部分代码
%_________________________________________________________________________% % 麻雀优化算法 % %_________________________________________________________________________% function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj) ST = 0.6;%预警值 PD = 0.7;%发现者的比列,剩下的是加入者 SD = 0.1;%意识到有危险麻雀的比重 PDNumber = round(pop*PD); %发现者数量 SDNumber = round(pop*SD);%意识到有危险麻雀数量 if(max(size(ub)) == 1) ub = ub.*ones(1,dim); lb = lb.*ones(1,dim); end %种群初始化 X0=initialization(pop,dim,ub,lb); X = X0; %计算初始适应度值 fitness = zeros(1,pop); for i = 1:pop fitness(i) = fobj(X(i,:)); end [fitness, index]= sort(fitness);%排序 BestF = fitness(1); WorstF = fitness(end); GBestF = fitness(1);%全局最优适应度值 for i = 1:pop X(i,:) = X0(index(i),:); end curve=zeros(1,Max_iter); GBestX = X(1,:);%全局最优位置 X_new = X; for i = 1: Max_iter BestF = fitness(1); WorstF = fitness(end); R2 = rand(1); for j = 1:PDNumber if(R2<ST) X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter)); else X_new(j,:) = X(j,:) + randn()*ones(1,dim); end end for j = PDNumber+1:pop % if(j>(pop/2)) if(j>(pop - PDNumber)/2 + PDNumber) X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2); else %产生-1,1的随机数 A = ones(1,dim); for a = 1:dim if(rand()>0.5) A(a) = -1; end end AA = A'*inv(A*A'); X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA'; end end Temp = randperm(pop); SDchooseIndex = Temp(1:SDNumber); for j = 1:SDNumber if(fitness(SDchooseIndex(j))>BestF) X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:)); elseif(fitness(SDchooseIndex(j))== BestF) K = 2*rand() -1; X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8)); end end %边界控制 for j = 1:pop for a = 1: dim if(X_new(j,a)>ub(a)) X_new(j,a) =ub(a); end if(X_new(j,a)<lb(a)) X_new(j,a) =lb(a); end end end %更新位置 for j=1:pop fitness_new(j) = fobj(X_new(j,:)); end for j = 1:pop if(fitness_new(j) < GBestF) GBestF = fitness_new(j); GBestX = X_new(j,:); end end X = X_new; fitness = fitness_new; %排序更新 [fitness, index]= sort(fitness);%排序 BestF = fitness(1); WorstF = fitness(end); for j = 1:pop X(j,:) = X(index(j),:); end curve(i) = GBestF; end Best_pos =GBestX; Best_score = curve(end); end
3 仿真结果
4 参考文献
[1]倪贤达, 杨得航, 左桐,等. 基于遗传算法改进GRNN神经网络的施肥量预测研究[J]. 2020.
[2]印雷, 顾德, & 刘飞. (2021). 基于改进麻雀搜索算法优化的dv-hop定位算法. 传感技术学报, 34(5), 6.
部分理论引用网络文献,若有侵权联系博主删除。
以上是关于预测模型基于麻雀算法改进广义回归神经网络(GRNN)实现数据预测matlab代码的主要内容,如果未能解决你的问题,请参考以下文章
GRNN回归预测基于matlab有限增量进化广义回归神经网络LIEV-GRNN数据回归预测含Matlab源码 2132期
基于GRNN广义回归神经网络的飞机引擎剩余使用周期预测算法的研究
回归预测基于matlab Logistic混沌映射改进的麻雀搜索算法优化BP神经网络回归预测含Matlab源码 1552期
BP回归预测Logistic混沌映射改进的麻雀算法优化BP神经网络回归预测含Matlab源码 1552期