多输入多输出(Multiple Input Multiple Output, MIMO)的BP神经网络则更复杂,它能同时预测多个相关的输出变量。
为全面掌握多输入多输出BP神经网络回归预测模型,同时提升模型的预测精度,本文在之前多输入多输出BP回归网络模型基础上采用了12种SCI最新(更新了24年最新算法)/常用/经典智能优化算法优化多输入多输出BP神经网络的权值和阈值,形成了性能良好的MIMO-BPNN回归预测模型。
12种智能算法如下:(1-6为SCI新算法,7-12为常用的对比智能算法)
-
%% 12种SCI最新/常用/经典智能优化算法
-
% 1.NRBO 牛顿-拉夫逊优化算法
-
% 2.RIME 雾凇优化算法
-
% 3.GOOSE 鹅优化算法
-
% 4.CPO 冠豪猪优化算法
-
% 5.PO 鹦鹉优化算法
-
% 6.BFO 鳑鲏鱼优化算法
-
% 7.DBO 蜣螂优化算法
-
% 8.SSA 麻雀搜索算法
-
% 9.SMA 黏菌算法
-
% 10.GWO 灰狼算法
-
% 11.PSO 粒子群算法
-
% 12.GA 遗传算法
更换算法只需更改相应的数字1-12即可,操作简单方便,从而实现更加准确的模型预测和对比研究,具体运行情况如下所示。
%% 导入数据(可替换数据集)
-
res = xlsread('data.xlsx');
-
str={'NRBO','RIME','GOOSE','CPO','PO','BFO','DBO','SSA','SMA','GWO','PSO','GA'};
-
number =1; %修改数字,分别对应下面的算法,实现一键切换算法。1是NRBO,2是RIME,以此类推
-
H1 = cell2mat(str(number));
-
Model = strcat(H1,'-BP')
12种智能算法优化多输入多输出BP神经网络回归预测模型代码采用Matlab编写,代码注释详细,编写逻辑清晰易懂,可一键运行,数据集采用excel数据形式,方便替换数据集。评价指标全面包括 MAE,MAPE,MSE,RMSE,R2,RPD等性能指标,结果分析图多,使用起来简单方便,直接替换成自己的数据即可生成美观图形用于写作。适合新手学习和SCI建模使用。
运行效果展示: