【BP预测】基于头脑风暴算法改进BP神经网络实现数据预测
作者:互联网
一、 BP神经网络预测算法简介
说明:1.1节主要是概括和帮助理解考虑影响因素的BP神经网络算法原理,即常规的BP模型训练原理讲解(可根据自身掌握的知识是否跳过)。1.2节开始讲基于历史值影响的BP神经网络预测模型。
使用BP神经网络进行预测时,从考虑的输入指标角度,主要有两类模型:
1.1 受相关指标影响的BP神经网络算法原理
如图一所示,使用MATLAB的newff函数训练BP时,可以看到大部分情况是三层的神经网络(即输入层,隐含层,输出层)。这里帮助理解下神经网络原理:
1)输入层:相当于人的五官,五官获取外部信息,对应神经网络模型input端口接收输入数据的过程。
2)隐含层:对应人的大脑,大脑对五官传递来的数据进行分析和思考,神经网络的隐含层hidden Layer对输入层传来的数据x进行映射,简单理解为一个公式hiddenLayer_output=F(w*x+b)。其中,w、b叫做权重、阈值参数,F()为映射规则,也叫激活函数,hiddenLayer_output是隐含层对于传来的数据映射的输出值。换句话说,隐含层对于输入的影响因素数据x进行了映射,产生了映射值。
3)输出层:可以对应为人的四肢,大脑对五官传来的信息经过思考(隐含层映射)之后,再控制四肢执行动作(向外部作出响应)。类似地,BP神经网络的输出层对hiddenLayer_output再次进行映射,outputLayer_output=w *hiddenLayer_output+b。其中,w、b为权重、阈值参数,outputLayer_output是神经网络输出层的输出值(也叫仿真值、预测值)(理解为,人脑对外的执行动作,比如婴儿拍打桌子)。
4)梯度下降算法:通过计算outputLayer_output和神经网络模型传入的y值之间的偏差,使用算法来相应调整权重和阈值等参数。这个过程,可以理解为婴儿拍打桌子,打偏了,根据偏离的距离远近,来调整身体使得再次挥动的胳膊不断靠近桌子,最终打中。
再举个例子来加深理解:
图一所示BP神经网络,具备输入层、隐含层和输出层。BP是如何通过这三层结构来实现输出层的输出值outputLayer_output,不断逼近给定的y值,从而训练得到一个精准的模型的呢?
从图中串起来的端口,可以想到一个过程:坐地铁,将图一想象为一条地铁线路。王某某坐地铁回家的一天:在input起点站上车,中途经过了很多站(hiddenLayer),然后发现坐过头了(outputLayer对应现在的位置),那么王某某将会根据现在的位置离家(目标Target)的距离(误差Error),返回到中途的地铁站(hiddenLayer)重新坐地铁(误差反向传递,使用梯度下降算法更新w和b),如果王某某又一次发生失误,那么将再次进行这个调整的过程。
从在婴儿拍打桌子和王某某坐地铁的例子中,思考问题:BP的完整训练,需要先传入数据给input,再经过隐含层的映射,输出层得到BP仿真值,根据仿真值与目标值的误差,来调整参数,使得仿真值不断逼近目标值。比如(1)婴儿受到了外界的干扰因素(x),从而作出反应拍桌(predict),大脑不断的调整胳膊位置,控制四肢拍准(y、Target)。(2)王某某上车点(x),过站点(predict),不断返回中途站来调整位置,到家(y、Target)。
在这些环节中,涉及了影响因素数据x,目标值数据y(Target)。根据x,y,使用BP算法来寻求x与y之间存在的规律,实现由x来映射逼近y,这就是BP神经网络算法的作用。再多说一句,上述讲的过程,都是BP模型训练,那么最终得到的模型虽然训练准确,但是找到的规律(bp network)是否准确与可靠呢。于是,我们再给x1到训练好的bp network中,得到相应的BP输出值(预测值)predict1,通过作图,计算Mse,Mape,R方等指标,来对比predict1和y1的接近程度,就可以知道模型是否预测准确。这是BP模型的测试过程,即实现对数据的预测,并且对比实际值检验预测是否准确。
图一 3层BP神经网络结构图
1.2 基于历史值影响的BP神经网络
以电力负荷预测问题为例,进行两种模型的区分。在预测某个时间段内的电力负荷时:
一种做法,是考虑 t 时刻的气候因素指标,比如该时刻的空气湿度x1,温度x2,以及节假日x3等的影响,对 t 时刻的负荷值进行预测。这是前面1.1所说的模型。
另一种做法,是认为电力负荷值的变化,与时间相关,比如认为t-1,t-2,t-3时刻的电力负荷值与t时刻的负荷值有关系,即满足公式y(t)=F(y(t-1),y(t-2),y(t-3))。采用BP神经网络进行训练模型时,则输入到神经网络的影响因素值为历史负荷值y(t-1),y(t-2),y(t-3),特别地,3叫做自回归阶数或者延迟。给到神经网络中的目标输出值为y(t)。
二、头脑风暴算法
三、部分代码
clc clear %bso test tic funStr = 'Griewangk10D5C'; %output worksheet name funName = @Griewangk; % fitness function name rang_l = -600; % left of dynamic range rastrigin rang_r = 600; % right of dynamic range %n_p = 500; % population size %n_d = 2; % dimension %n_c = 5; % number of clusters %rang_l = -100; % left of dynamic range %rang_r = 100; % right of dynamic range %max_iteration = 50; % maximal number of iterations warning off all n_p = 100; % population size n_d = 10; % dimension % n_c = 2; % number of clusters % funStr = 'sphere10D5C'; %output worksheet name % funName = @sphere; % fitness function name % rang_l = -100; % left of dynamic range sphere % rang_r = 100; % right of dynamic range % funStr = 'Minima10D5C'; %output worksheet name % funName = @Minima; % fitness function name % rang_l = -5; % left of dynamic range rastrigin % rang_r = 5; % right of dynamic range % funStr = 'Griewangk10D5C'; %output worksheet name % funName = @Griewangk; % fitness function name % rang_l = -50; % left of dynamic range rastrigin % rang_r = 50; % right of dynamic range % funName = @ackley_path; % fitness function name % rang_l = -5; % left of dynamic range rastrigin % rang_r = 5; % right of dynamic range % minpts = 10; max_iteration = 2000; % maximal number of iterations XX=1; %P = 0; n_c = 2; % P = 0.6; % for P = 0:0.1:1 for idx = 1:30 % run times fit = bso2(funName,n_p,n_d,n_c,rang_l,rang_r,max_iteration); %run BSO one time if idx <27 str = native2unicode(idx + 64); else % assume idx <53 str =['A',native2unicode(idx + 38)]; end xlswrite('bso.xls',fit,funStr, [str,'1']); % output best fitness over generation to EXCEL worksheet for each BSO run ['run', num2str(idx)] opt(idx,:)=fit; %可以把列换成行 fit为一列数据 % plot(x,opt(1,:) end opt; format short g best_value = min(opt(:,max_iteration)) worst_value = max(opt(:,max_iteration)) [ln col]=size(opt); out_put(XX,:)=sum(opt)/ln; %每一列的均值 format short g m_value = min(out_put(XX,:)) z = 0; for idx = 1:30 z = z+(opt(idx,max_iteration)-m_value)^2; end SD = z/29 XX=XX+1 % end % save UUB out_put(n_c,:); % plot(out_put); % end % save UUB out_put(n_c,:); % plot(opt); save UUB out_put; x=1:max_iteration; % plot(x,out_put(1,:),'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',); % legend('k=2:蓝色','k=3:绿色','k=4:红色','k=5:青色','k=6:品红色','k=7:黄色','k=8:黑色','k=9','k=10'); plot(x,out_put(1,:))%,'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',x,out_put(10,:),'r:',x,out_put(11,:),'c-.'); % legend('P=0','P=0.1','P=0.2','P=0.3','P=0.4','P=0.5','P=0.6','P=0.7','P=0.8','P=0.9','P=1'); toc
四、仿真结果
图2头脑风暴算法收敛曲线
测试统计如下表所示
测试结果 | 测试集正确率 | 训练集正确率 |
---|---|---|
BP神经网络 | 100% | 95% |
BSO-BP | 100% | 99.8% |
五、参考文献及代码私信博主
《基于BP神经网络的宁夏水资源需求量预测》
标签:rang,预测,dynamic,range,神经网络,BP,output 来源: https://www.cnblogs.com/matlabxiao/p/15058458.html