锐客网

  1. 首页 > it技术 > >

神经网络学习笔记|【神经网络学习笔记】遗传算法优化BP神经网络-非线性函数拟合

我们知道，在建立神经网络的时候，需要给各个节点和连接赋予阈值和权值，但一般我们都是随机赋予，然后让系统在一次次的训练中需找到最小值。这种方法很有一种碰运气的成分在里面，而用遗传算法来优化BP神经网络则可以让神经网络从一个较接近的水准开始训练。
所谓用遗传算法优化，优化的是神经网络训练前各节点的初始值，这些初始值不再取随机值，而是用我们通过遗传算法得到的值来代替。
我们把每个物种赋予一个DNA序列，这个序列包含着各个阈值和权值，假设我们的网络是一个2-5-1的网络，那么DNA的长度就可以是2*5+5+5*1+1 = 21，每位表示一个阈值或权值。
再设定好这个种群的大小，即有多少个个体，然后就可以开始进化这个物种啦。
进化过程不短重复这几步
1.计算个体的适应度，即代入它的基因（阈值权值）计算所得到的与期望值的差值。
2.记录适应度最好即差值最小的个体。
3.轮盘法选择个体，适应度好的更容易被选到。
4.把选择出来的个体进行交叉和变异，相当于生物的有性繁殖和基因突变。
到了设定的遗传代数之后，得到的最优个体基因就比较接近最终的阈值权值啦，我们用这个个体的基因来初始化BP神经网络，再进行训练和预测，可以得到更好的效果。
【神经网络学习笔记|【神经网络学习笔记】遗传算法优化BP神经网络-非线性函数拟合】下面是主函数的代码，其中的子函数请下载资源。

%% 该代码为基于遗传算法神经网络的预测代码 % 清空环境变量 clc clear % %% 网络结构建立 %读取数据 load data input output%节点个数 inputnum=2; hiddennum=5; outputnum=1; %训练数据和预测数据 input_train=input(1:1900,:)'; input_test=input(1901:2000,:)'; output_train=output(1:1900)'; output_test=output(1901:2000)'; %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); %构建网络 net=newff(inputn,outputn,hiddennum); %% 遗传算法参数初始化 maxgen=20; %进化代数，即迭代次数 sizepop=10; %种群规模 pcross=[0.2]; %交叉概率选择，0和1之间 pmutation=[0.1]; %变异概率选择，0和1之间%节点总数 numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; lenchrom=ones(1,numsum); bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %数据范围%------------------------------------------------------种群初始化-------------------------------------------------------- individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体 avgfitness=[]; %每一代种群的平均适应度 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体 %初始化种群 for i=1:sizepop %随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量） x=individuals.chrom(i,:); %计算适应度 individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度 end FitRecord=[]; %找最好的染色体 [bestfitness bestindex]=min(individuals.fitness); bestchrom=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度 % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %% 迭代求解最佳初始阀值和权值 % 进化开始 for i=1:maxgen i % 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %解码 individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); end%找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=min(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; trace=[trace; avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 FitRecord=[FitRecord; individuals.fitness]; end%% 遗传算法结果分析 figure(1) [r c]=size(trace); plot([1:r]',trace(:,2),'b--'); title(['适应度曲线' '终止代数＝' num2str(maxgen)]); xlabel('进化代数'); ylabel('适应度'); legend('平均适应度','最佳适应度'); disp('适应度变量'); %% 把最优初始阀值权值赋予网络预测 % %用遗传算法优化的BP网络进行值预测 w1=x(1:inputnum*hiddennum); B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum); w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum); B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum); net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=B2; %% BP网络训练 %网络进化参数 net.trainParam.epochs=100; net.trainParam.lr=0.1; %net.trainParam.goal=0.00001; %网络训练 [net,per2]=train(net,inputn,outputn); %% BP网络预测 %数据归一化 inputn_test=mapminmax('apply',input_test,inputps); an=sim(net,inputn_test); test_simu=mapminmax('reverse',an,outputps); error=test_simu-output_test;


END

    推荐阅读


    上一篇：kubernete编排技术五（DaemonSet）

    下一篇：Leetcode445