加强网站建设的意义,东海县城乡建设局网站,网页制作与网站建设实战大全 豆瓣,装修公司取名高端大气【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比
一、数据设置
1、7输入1输出 2、103行样本 3、80个训练样本#xff0c;23个测试样本
二、效果展示 NN训练集数据的R2为#xff1a;0.73013
NN测试集数据的R2为#xff1a;0.23848
NN训练集数据的…【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比
一、数据设置
1、7输入1输出 2、103行样本 3、80个训练样本23个测试样本
二、效果展示 NN训练集数据的R2为0.73013
NN测试集数据的R2为0.23848
NN训练集数据的MAE为3.0122
NN测试集数据的MAE为4.4752
NN训练集数据的MAPE为0.088058
NN测试集数据的MAPE为0.1302
PSO-NN训练集数据的R2为0.76673
PSO-NN测试集数据的R2为0.72916
PSO-NN训练集数据的MAE为3.124
PSO-NN测试集数据的MAE为3.1873
PSO-NN训练集数据的MAPE为0.088208
PSO-NN测试集数据的MAPE为0.094787
BBO-NN训练集数据的R2为0.67729
BBO-NN测试集数据的R2为0.46872
BBO-NN训练集数据的MAE为3.5204
BBO-NN测试集数据的MAE为4.4843
BBO-NN训练集数据的MAPE为0.099475
BBO-NN测试集数据的MAPE为0.14177三、代码展示部分
%%PSO-NN及BBO-BP回归
%基于生物地理优化进化算法(BBO)
%-----------------------------------------------------------------------
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
rng(0)
%% 导入数据
res xlsread(数据集.xlsx);%% 划分训练集和测试集
temp randperm(103);P_train res(temp(1: 80), 1: 7);
T_train res(temp(1: 80), 8);
M size(P_train, 2);P_test res(temp(81: end), 1: 7);
T_test res(temp(81: end), 8);
N size(P_test, 2);%% 数据归一化
[p_train, ps_input] mapminmax(P_train, 0, 1);
p_test mapminmax(apply, P_test, ps_input);[t_train, ps_output] mapminmax(T_train, 0, 1);
t_test mapminmax(apply, T_test, ps_output);
%% Learning
n 9; % Neurons
%----------------------------------------
% trainlm Levenberg-Marquardt
% trainbr Bayesian Regularization (good)
% trainrp Resilient Backpropagation
% traincgf Fletcher-Powell Conjugate Gradient
% trainoss One Step Secant (good)
% traingd Gradient Descent
% Creating the NN ----------------------------
net feedforwardnet(n,trainoss);
%---------------------------------------------
% configure the neural network for this dataset
[net tr] train(net,p_train, t_train);
perf perform(net,p_train, t_train); % mse%% 仿真预测
t_sim01net(p_train);
t_sim02net(p_test);
T_sim01 mapminmax(reverse, t_sim01, ps_output);
T_sim02 mapminmax(reverse, t_sim02, ps_output);%% 均方根误差
error01 sqrt(sum((T_sim01 - T_train).^2) ./ M);
error02 sqrt(sum((T_sim02 - T_test ).^2) ./ N);%% 绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, r-*, 1: M, T_sim01, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {NN训练集预测结果对比; [RMSE num2str(error01)]};
title(string)
xlim([1, M])
gridsubplot(2,1,2)
plot(1: N, T_test, r-*, 1: N, T_sim02, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {NN测试集预测结果对比; [RMSE num2str(error02)]};
title(string)
xlim([1, N])
gridt_sim11net_pso(p_train);
t_sim22net_pso(p_test);
T_sim11 mapminmax(reverse, t_sim11, ps_output);
T_sim22 mapminmax(reverse, t_sim22, ps_output);
%% 均方根误差
error11 sqrt(sum((T_sim11 - T_train).^2) ./ M);
error22 sqrt(sum((T_sim22 - T_test ).^2) ./ N);%% 相关指标计算
% R2
R01 1 - norm(T_train - T_sim01)^2 / norm(T_train - mean(T_train))^2;
R02 1 - norm(T_test - T_sim02)^2 / norm(T_test - mean(T_test ))^2;disp([NN训练集数据的R2为, num2str(R01)])
disp([NN测试集数据的R2为, num2str(R02)])% MAE
mae01 sum(abs(T_sim01 - T_train)) ./ M ;
mae02 sum(abs(T_sim02 - T_test )) ./ N ;disp([NN训练集数据的MAE为, num2str(mae01)])
disp([NN测试集数据的MAE为, num2str(mae02)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape01 mean(abs((T_train - T_sim01)./T_train));
mape02 mean(abs((T_test - T_sim02 )./T_test)); disp([NN训练集数据的MAPE为, num2str(mape01)])
disp([NN测试集数据的MAPE为, num2str(mape02)])%% 绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, r-*, 1: M, T_sim11, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {PSO-NN训练集预测结果对比; [RMSE num2str(error11)]};
title(string)
xlim([1, M])
gridsubplot(2,1,2)
plot(1: N, T_test, r-*, 1: N, T_sim22, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {PSO-NN测试集预测结果对比; [RMSE num2str(error22)]};
title(string)
xlim([1, N])
grid%% 相关指标计算
% R2
R11 1 - norm(T_train - T_sim11)^2 / norm(T_train - mean(T_train))^2;
R22 1 - norm(T_test - T_sim22)^2 / norm(T_test - mean(T_test ))^2;disp([PSO-NN训练集数据的R2为, num2str(R11)])
disp([PSO-NN测试集数据的R2为, num2str(R22)])% MAE
mae11 sum(abs(T_sim11 - T_train)) ./ M ;
mae22 sum(abs(T_sim22 - T_test )) ./ N ;disp([PSO-NN训练集数据的MAE为, num2str(mae11)])
disp([PSO-NN测试集数据的MAE为, num2str(mae22)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape11 mean(abs((T_train - T_sim11)./T_train));
mape22 mean(abs((T_test - T_sim22 )./T_test)); disp([PSO-NN训练集数据的MAPE为, num2str(mape11)])
disp([PSO-NN测试集数据的MAPE为, num2str(mape22)])%% BBO优化 NN 权重和偏差
%% PSO优化 NN 权重和偏差
Weights_Bias_bbogetwb(net_bbo);t_sim31net_bbo(p_train);
t_sim32net_bbo(p_test);
T_sim31 mapminmax(reverse, t_sim31, ps_output);
T_sim32 mapminmax(reverse, t_sim32, ps_output);
%% 均方根误差
error31 sqrt(sum((T_sim31 - T_train).^2) ./ M);
error32 sqrt(sum((T_sim32 - T_test ).^2) ./ N);%% 绘图
figure()
subplot(2,1,1)
plot(1: M, T_train, r-*, 1: M, T_sim31, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {BBO-NN训练集预测结果对比; [RMSE num2str(error31)]};
title(string)
xlim([1, M])
gridsubplot(2,1,2)
plot(1: N, T_test, r-*, 1: N, T_sim32, b-o, LineWidth, 1)
legend(真实值, 预测值)
xlabel(预测样本)
ylabel(预测结果)
string {BBO-NN测试集预测结果对比; [RMSE num2str(error32)]};
title(string)
xlim([1, N])
grid%% 相关指标计算
% R2
R31 1 - norm(T_train - T_sim31)^2 / norm(T_train - mean(T_train))^2;
R32 1 - norm(T_test - T_sim32)^2 / norm(T_test - mean(T_test ))^2;disp([BBO-NN训练集数据的R2为, num2str(R31)])
disp([BBO-NN测试集数据的R2为, num2str(R32)])% MAE
mae31 sum(abs(T_sim31 - T_train)) ./ M ;
mae32 sum(abs(T_sim32 - T_test )) ./ N ;disp([BBO-NN训练集数据的MAE为, num2str(mae31)])
disp([BBO-NN测试集数据的MAE为, num2str(mae32)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape31 mean(abs((T_train - T_sim31)./T_train));
mape32 mean(abs((T_test - T_sim32 )./T_test)); disp([BBO-NN训练集数据的MAPE为, num2str(mape31)])
disp([BBO-NN测试集数据的MAPE为, num2str(mape32)])四、代码获取
后台私信回复“62期”即可获取下载链接。
