GABP程序.docx
《GABP程序.docx》由会员分享，可在线阅读，更多相关《GABP程序.docx（16页珍藏版）》请在冰豆网上搜索。
GABP程序
GA-BP程序（总19页）
例1【原创】用遗传算法优化BP神经网络的Matlab编程实例
[font=楷体][size=4][color=blue]此文章首次在simwe公开发表属于GreenSim团队原创作品，转载请注明！
[/color][/size][/font]
[font=楷体][size=4][color=#0000ff]更多原创程序，请访问GreenSim团队主页[url=
[font=楷体][size=4][color=blue][/color][/size][/font]
[font=楷体][size=4][color=blue]由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。
以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。
[/color][/size][/font]
程序一：
GA训练BP权值的主函数
functionnet=GABPNET（XX,YY）
%--------------------------------------------------------------------------
%
% 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络
%--------------------------------------------------------------------------
%数据归一化预处理
nntwarn
off
XX=premnmx（XX）;
YY=premnmx（YY）;
%创建网络
net=newff（minmax（XX）,[19,25,1],{'tansig','tansig','purelin'},'trainlm'）;
%下面使用遗传算法对网络进行优化
P=XX;
T=YY;
R=size（P,1）;
S2=size（T,1）;
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
aa=ones（S,1）*[-1,1];
popu=50;%种群规模
initPpp=initializega（popu,aa,'gabpEval'）;%初始化种群
gen=100;%遗传代数
%下面调用gaot工具箱，其中目标函数定义为gabpEval
[x,endPop,bPop,trace]=ga（aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...
'normGeomSelect',[],['arithXover'],[2],'nonUnifMutation',[2gen3]）;
%绘收敛曲线图
figure
（1）
plot（trace（:
1）,1./trace（:
3）,'r-'）;
holdon
plot（trace（:
1）,1./trace（:
2）,'b-'）;
xlabel（'Generation'）;
ylabel（'Sum-SquaredError'）;
figure
（2）
plot（trace（:
1）,trace（:
3）,'r-'）;
holdon
plot（trace（:
1）,trace（:
2）,'b-'）;
xlabel（'Generation'）;
ylabel（'Fittness'）;
%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod（x）;
{2,1}=W1;
{3,2}=W2;
{2,1}=B1;
{3,1}=B2;
XX=P;
YY=T;
%设置训练参数
%训练网络
net=train（net,XX,YY）;
程序二：
适应值函数
function[sol,val]=gabpEval（sol,options）
%val-thefittnessofthisindividual
%sol-theindividual,returnedtoallowforLamarckian
evolution
%options-[current_generation]
loaddata2
nntwarnoff
XX=premnmx（XX）;
YY=premnmx（YY）;
P=XX;
T=YY;
R=size（P,1）;
S2=size（T,1）;
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
fori=1:
S,
x（i）=sol（i）;
end;
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod（x）;
程序三：
编解码函数
function[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod（x）
loaddata2
nntwarnoff
XX=premnmx（XX）;
YY=premnmx（YY）;
P=XX;
T=YY;
R=size（P,1）;
S2=size（T,1）;
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
%前R*S1个编码为W1
fori=1:
S1,
fork=1:
R,
W1（i,k）=x（R*（i-1）+k）;
end
end
%接着的S1*S2个编码（即第R*S1个后的编码）为W2
fori=1:
S2,
fork=1:
S1,
W2（i,k）=x（S1*（i-1）+k+R*S1）;
end
end
%
接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1
fori=1:
S1,
B1（i,1）=x（（R*S1+S1*S2）+i）;
end
%接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2
fori=1:
S2,
B2（i,1）=x（（R*S1+S1*S2+S1）+i）;
end
%计算S1与S2层的输出
A1=tansig（W1*P,B1）;
A2=purelin（W2*A1,B2）;
%计算误差平方和
SE=sumsqr（T-A2）;
val=1/SE;%遗传算法的适应值
注意：
上面的函数需要调用gaot工具箱，请从附件里下载！
例2遗传优化BP改动的地方
看书童上传的m文件，如下
%%程序说明
%主程序：
%适应度函数：
%编解码子函数：
%使用前需安装gaot工具箱，上述三个文件需放在同一文件夹中且将该文件夹
%设置为当前工作路径
%运行程序时只需运行主程序即可
%此程序仅为示例，针对其他的问题，只需将数据修改即可，但需注意变量名
%
保持一致，尤其是全局变量修改时（在和中也要修改）
%版权归MATLAB中文论坛所有，转载请注明
%%清除环境变量
clearall
clc
warningoff
nntwarnoff
%%声明全局变量
globalp %训练集输入数据
globalt %训练集输出数据
globalR %输入神经元个数
globalS2 %输出神经元个数
globalS1 %隐层神经元个数
globalS %编码长度
S1=25;
%%导入数据
%训练数据
day=[;
;
;
;
;
;
];
%数据归一化
[dayn,minday,maxday]=premnmx（day）;
%输入和输出样本
p=dayn（:
1:
8）;
t=dayn（:
2:
9）;
%测试数据
k=[;
;
;
;
;
;
];
%数据归一化
kn=tramnmx（k,minday,maxday）;
%%BP神经网络
%网络创建
net=newff（minmax（p）,[S1,7],{'tansig','purelin'},'trainlm'）;
%设置训练参数
%网络训练
[net,tr]=train（net,p,t）;
%仿真测试
s_bp=sim（net,kn）; %BP神经网络的仿真结果
%%GA-BP神经网络
R=size（p,1）;
S2=size（t,1）;
S=R*S1+S1*S2+S1+S2;
aa=ones（S,1）*[-1,1];
popu=50; %种群规模
initPpp=initializega（popu,aa,'gabpEval'）; %初始化种群
gen=100; %遗传代数
%调用GAOT工具箱，其中目标函数定义为gabpEval
[x,endPop,bPop,trace]=ga（aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...
'normGeomSelect',[],['arithXover'],[2],'nonUnifMutation',[2gen3]）;
%绘均方误差变化曲线
figure
（1）
plot（trace（:
1）,1./trace（:
3）,'r-'）;
holdon
plot（trace（:
1）,1./trace（:
2）,'b-'）;
xlabel（'Generation'）;
ylabel（'Sum-SquaredError'）;
%绘制
适应度函数变化
figure
（2）
plot（trace（:
1）,trace（:
3）,'r-'）;
holdon
plot（trace（:
1）,trace（:
2）,'b-'）;
xlabel（'Generation'）;
ylabel（'Fittness'）;
%计算最优的权值和阈值
[W1,B1,W2,B2,val]=gadecod（x）;
{1,1}=W1;
{2,1}=W2;
{1}=B1;
{2}=B2;
%利用新的权值和阈值进行训练
net=train（net,p,t）;
%仿真测试
s_ga=sim（net,kn）; %遗传优化后的仿真结果
另外说明下，假如我要做识别类的优化，比如用遗传神经网络识别手写体字母，那
p：
训练集输入数据
t：
训练集输出数据
R：
输入神经元个数
S2：
输出神经元个数
S1 ：
隐层神经元个数
S：
编码长度
这些数据都应该是多少，我识别的是图片，训练数据和测试数据都应该是什么
附件
c:
\iknow\docshare\data\cur_work\&k=1a9440b882d673bc8fffd8438209a721&t=10（4KB）
2010-5-2218:
08,下载次数:
0
书童给的ga_bp哦
基于Matlab神经网络工具的BP网络实例（注释很详细）
神经网络,Matlab,实例,注释,工具
1.clear
2.clc
3.closeall
4.warningoff
5.%数据输入
6.huanghe_p=[370503434575490420560640558343326405446423422697598377435472451667601689541485425389382707422];
7.huanghe_t=[5157135867537205677179878104894535896395685959828495196156525999418939997587016305615201040535];
8.
9.%归一化处理
10.p=（huanghe_p-min（huanghe_p））/（max（huanghe_p）-min（huanghe_p））;
11.t=（huanghe_t-min（huanghe_t））/（max（huanghe_t）-min（huanghe_t））;
12.
13.%网络有关参数
14.EPOCHS=10000;
15.GOAL=;
16.LR=;
17.MAX_FAIL=100;
18.
19.%建立bp神经网络，并训练，仿真。
其中输入为p，输出为t
20.
21.%-------------------------隐层神经元确定-----------------------------
22.
23.s=3:
15;%s为常向量，表示神经元的个数
24.res=zeros（size（s））;%res将要存储误差向量，这里先置零
25.
26.pn=[p（1:
5）;p（6:
10）;p（11:
15）;p（16:
20）];
27.tn=[t（1:
5）;t（6:
10）;t（11:
15）;t（16:
20）];
28.fori=1:
length（s）
29.%版本使用下面代码
30.%输出层的神经元个数必须等于tn的行数
31.%每层的传递函数可以自己指定
32.%创建了2层网路，隐层s（i）（任意）；输出层4（由tn决定不可改，但需输入）
33.%net=newff（minmax（pn）,[s（i）,4],{'tansig','purelin'},'trainlm'）;
34.%
35.%版本使用下面的代码
36.%输出层神经元由tn决定，不需要输入，我们只需要确定输入层和隐层的神经元个数
37.%所有层的传递函数都可以自己定义
38.%创建3层网络，输入层8（任意）；隐层s（i）（任意）；输出层4（由tn决定，不可改，不需要输入）
39.%
40.%其实两个版本的区别在于的bp网络创建函数直接给出了t，故最后一层不需要指定了，故相同的参数时，的会多一层
41.%
=newff（pn,tn,[4,s（i）],{'tansig','tansig','purelin'},'trainlm'）;
43.{1,1}=zeros（size{1,1}））+;
44.{2,1}=zeros（size{2,1}））+;
45.{1,1}=zeros（size{1,1}））+;
46.{2,1}=zeros（size{2,1}））;
47.=GOAL;
48.选取最优神经元数，number为使得误差最小的隐层神经元个数
49.[ttmp2,ind]=min（res）;
50.no=s（ind）;
51.
52.%选定隐层神经元数目后，建立网络，训练仿真。
53.%版本
54.%net=newff（minmax（pn）,[no,4],{'tansig','purelin'},'trainlm'）;
55.%版本
=newff（pn,tn,[4,no],{'tansig','tansig','purelin'},'trainlm'）;
57.{1,1}=zeros（size{1,1}））+;
58.{2,1}=zeros（size{2,1}））+;
59.{1,1}=zeros（size{1,1}））+;
60.{2,1}=zeros（size{2,1}））;
61.=GOAL;
62.为网络的误差向量
63.r=norm（error）;%r为网络的整体误差
64.savenet%保存最好的网络
65.%预测
66.input=[p（11:
15）;p（16:
20）;p（21:
25）;p（26:
30）];
67.yuce=sim（net,input）;
68.
69.%结果反归一化
70.y_norm=[y（1,y（2,y（3,y（4,];
71.yuce_norm=[yuce（1,yuce（2,yuce（3,yuce（4,];
72.%训练数据的仿真结果
73.t_val=y_norm*（max（huanghe_t（1:
20））-min（huanghe_t（1:
20）））+min（huanghe_t（1:
20））;
74.%预测数据的仿真结果
75.yuce=yuce_norm*（max（huanghe_t（1:
20））-min（huanghe_t（1:
20）））+min（huanghe_t（1:
20））;
76.
77.%计算误差
78.%训练数据仿真的相对误差
79.wucha=abs（t_val-huanghe_t（1:
20））./huanghe_t（1:
20）;
80.b=minmax（wucha）;
81.average_wucha=mean（wucha）;
82.%作图
83.figure
（1）
84.plot（1:
20,huanghe_t（1:
20）,'*-',1:
20,t_val,'o:
'）
85.title（'训练数据仿真结果'）
86.legend（'原始数据','仿真结果'）
87.
88.figure
（2）
89.plot（1:
20,huanghe_t（11:
30）,'*-',1:
20,yuce,'o:
'）
90.title（'预测数据仿真结果'）
91.legend（'原始数据','仿真结果'）
复制代码
下载KB）
2009-5-3021:
02
下载KB）
升级会员 