【BP分类】基于粒子群优化BP神经网络PSO-BP实现多特征分类预测(含分类图)附MATLAB代码

最新推荐文章于 2023-05-06 00:51:25 发布

原创最新推荐文章于 2023-05-06 00:51:25 发布 · 216 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #分类 #神经网络

机器学习组合优化系列matlab完整代码专栏收录该内容

448 篇文章

订阅专栏

文章提出了一种用改进的粒子群优化算法(PSO)来解决BP神经网络在学习和收敛速度上的问题，旨在避免局部极小值。实验结果显示，这种方法提高了算法的收敛速度和稳定性，特别适用于茶叶存储时间的分类任务。

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。

⛄ 部分代码

%%warning('off');% Data Loadingclear;netdata=load('fortest2.mat');netdata=netdata.FinalReady;% Data and Labelnetwork=netdata(:,1:end-1);netlbl=netdata(:,end);% Var Changeinputs = network;targets = netlbl;% Dim SizeInputNum = size(inputs,2);OutputNum = size(targets,2);pr = [-1 1];PR = repmat(pr,InputNum,1);% NN Structure (log-sigmoid transfer function)NH=5;     % Number of Hidden Layers (more better)Network1 = newff(PR,[NH OutputNum],{'tansig' 'tansig'});% Train with PSO on Networks WeightsNetwork1 = TrainPSO(Network1,inputs,targets);view(Network1)% Generating Outputs from Our PSO + NN Network Modeloutputs = Network1(inputs');outputs=outputs';% Sizesizenet=size(network);sizenet=sizenet(1,1);% Outputs ErrorMSE=mse(outputs);% Bias Output for Confusion Matrixoutputs=outputs-(MSE*0.1)/2;% Detecting Mislabeled Datafor i=1 : 50            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=1;            end;end;for i=51 : 100            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=2;            end;end;for i=101 : 150            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=3;            end;end;for i=151 : 200            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=4;            end;end;for i=201 : 250            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=5;            end;end;for i=251 : 300            if outputs(i) <= 0.9               out(i)=0;        elseif outputs(i) >= 0.9               out(i)=6;            end;end;       out1=single(out');% PSO Final Accuracy       psomse=mse(out1,targets);       MSEError=abs(mse(targets)-mse(out1));       cnt=0;       for i=1:sizenet           if out1(i)~= targets(i)               cnt=cnt+1;           end;       end;      fin=cnt*100/ sizenet;      psoacc=(100-fin)-psomse;