工具函数

工具函数

显示对比结果

clc

%% 不使用遗传算法

%% 使用随机权值和阈值

inputnum=size(P,1); % 输入层神经元个数

outputnum=size(T,1); % 输出层神经元个数

%% 新建BP网络

net=newff(minmax(P),[hiddennum,outputnum],{'tansig','logsig'},'trainlm');

%% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1

net.trainParam.epochs=1000;

net.trainParam.goal=0.01;

LP.lr=0.1;

%% 训练网络以

net=train(net,P,T);

%% 测试网络

disp('1、使用随机权值和阈值 ')

disp('测试样本预测结果：')

Y1=sim(net,P_test);

err1=norm(Y1-T_test); %测试样本的仿真误差

err11=norm(sim(net,P)-T); %训练样本的仿真误差

disp(['测试样本的仿真误差:',num2str(err1)])

disp(['训练样本的仿真误差:',num2str(err11)])

%% 使用遗传算法

%% 使用优化后的权值和阈值

inputnum=size(P,1); % 输入层神经元个数

outputnum=size(T,1); % 输出层神经元个数

%% 新建BP网络

net=newff(minmax(P),[hiddennum,outputnum],{'tansig','logsig'},'trainlm');

%% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1

net.trainParam.epochs=1000;

net.trainParam.goal=0.01;

LP.lr=0.1;

%% BP神经网络初始权值和阈值

w1num=inputnum*hiddennum; % 输入层到隐层的权值个数

w2num=outputnum*hiddennum;% 隐层到输出层的权值个数

w1=bestX(1:w1num); %初始输入层到隐层的权值

B1=bestX(w1num+1:w1num+hiddennum); %初始隐层阈值

w2=bestX(w1num+hiddennum+1:w1num+hiddennum+w2num); %初始隐层到输出层的阈值

B2=bestX(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum); %输出层阈值

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=reshape(B2,outputnum,1);

%% 训练网络以

net=train(net,P,T);

%% 测试网络

disp('2、使用优化后的权值和阈值')

disp('测试样本预测结果：')

Y2=sim(net,P_test);

err2=norm(Y2-T_test);

err21=norm(sim(net,P)-T);

disp(['测试样本的仿真误差:',num2str(err2)])

disp(['训练样本的仿真误差:',num2str(err21)])

function Obj=Objfun(X,P,T,hiddennum,P_test,T_test)

%% 用来分别求解种群中各个个体的目标值

%% 输入

% X：所有个体的初始权值和阈值

% P：训练样本输入

% T：训练样本输出

% hiddennum：隐含层神经元数

% P_test:测试样本输入

% T_test:测试样本期望输出

%% 输出

% Obj：所有个体的预测样本的预测误差的范数

[M,~]=size(X);

Obj=zeros(M,1);

for i=1:M

Obj(i)=Bpfun(X(i,:),P,T,hiddennum,P_test,T_test);

end