Bp神经网络仿真

%% I. 清除环境变量

clear all

clc

%% II. 声明全局变量

global p % 训练集输入数据

global t % 训练集输出数据

global R % 输入神经元个数

global S2 % 输出神经元个数

global S1 % 隐层神经元个数

global S % 编码长度其实就是连接权值个数和阈值个数的总和

S1 = 10;

%% III. 导入数据

%%

% 1. 训练数据6-10-4 6*10+10*4+10+4

p = [0.01 0.01 0.00 0.90 0.05 0.00;

0.00 0.00 0.00 0.40 0.50 0.00;

0.80 0.00 0.10 0.00 0.00 0.00;

0.00 0.20 0.10 0.00 0.00 0.10]';

t = [1.00 0.00 0.00 0.00;

0.00 1.00 0.00 0.00;

0.00 0.00 1.00 0.00;

0.00 0.00 0.00 1.00]';

%%

% 2. 测试数据

P_test = [0.05 0 0.9 0.12 0.02 0.02;

0 0 0.9 0.05 0.05 0.05;

0.01 0.02 0.45 0.22 0.04 0.06;

0 0 0.4 0.5 0.1 0;

0 0.1 0 0 0 0]';

%% IV. BP神经网络

%%

% 1. 网络创建

net = newff(minmax(p),[S1,4],{'tansig','purelin'},'trainlm');

%%

% 2. 设置训练参数

net.trainParam.show = 10;

net.trainParam.epochs = 2000;

net.trainParam.goal = 1.0e-3;

net.trainParam.lr = 0.1;

BP神经网络的仿真

%%

% 3. 网络训练

[net,tr] = train(net,p,t);

%%

% 4. 仿真测试

s_bp = sim(net,P_test) % BP神经网络的仿真结果

%% V. GA-BP神经网络

R = size(p,1);

S2 = size(t,1);

S = R*S1 + S1*S2 + S1 + S2; %计算过了刚才114

aa = ones(S,1)*[-1,1];

%% VI. 遗传算法优化

%%

% 1. 初始化种群

popu = 50; % 种群规模

initPpp = initializega(popu,aa,'gabpEval',[],[1e-6 1]); % 初始化种群gabpEval 看一下这个函数，还调用了gadecod

%%

% 2. 迭代优化

gen = 100; % 遗传代数

% 调用GAOT工具箱，其中目标函数定义为gabpEval endpop 前114列吻合S，115列代表适应度函数值

[x,endPop,bPop,trace] = ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,...

'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]); %%

% 3. 绘均方误差变化曲线

figure(1)

plot(trace(:,1),1./trace(:,3),'r-');

hold on

plot(trace(:,1),1./trace(:,2),'b-');

xlabel('Generation');

ylabel('Sum-Squared Error');

%%

% 4. 绘制适应度函数变化

figure(2)

plot(trace(:,1),trace(:,3),'r-');

hold on

plot(trace(:,1),trace(:,2),'b-');

xlabel('Generation');

ylabel('Fittness');

%% VII. 解码最优解并赋值

%%

% 1. 解码最优解

[W1,B1,W2,B2,val] = gadecod(x);

%%

% 2. 赋值给神经网络

net.IW{1,1} = W1;

net.LW{2,1} = W2;

net.b{1} = B1;

net.b{2} = B2;

%% VIII. 利用新的权值和阈值进行训练net = train(net,p,t);

%% IX. 仿真测试

s_ga = sim(net,P_test) %遗传优化后的仿真结果