基于JAYA算法優(yōu)化的BP神經網絡（預測應用） - 附代碼

摘要：本文主要介紹如何用JAYA算法優(yōu)化BP神經網絡并應用于預測。

1.數(shù)據(jù)介紹

本案例數(shù)據(jù)一共2000組，其中1900組用于訓練，100組用于測試。數(shù)據(jù)的輸入為2維數(shù)據(jù)，預測的輸出為1維數(shù)據(jù)

2.JAYA優(yōu)化BP神經網絡

2.1 BP神經網絡參數(shù)設置

神經網絡參數(shù)如下：

%% 構造網絡結構
%創(chuàng)建神經網絡
inputnum = 2;     %inputnum  輸入層節(jié)點數(shù) 2維特征
hiddennum = 10;     %hiddennum  隱含層節(jié)點數(shù)
outputnum = 1;     %outputnum  隱含層節(jié)點數(shù)

2.2 JAYA算法應用

JAYA算法原理請參考：https://blog.csdn.net/u011835903/article/details/115572600

JAYA算法的參數(shù)設置為：

popsize = 20;%種群數(shù)量
Max_iteration = 20;%最大迭代次數(shù)
lb = -5;%權值閾值下邊界
ub = 5;%權值閾值上邊界
%  inputnum * hiddennum + hiddennum*outputnum 為閾值的個數(shù)
%  hiddennum + outputnum 為權值的個數(shù)
dim =  inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;%  inputnum * hiddennum + hiddennum*outputnum維度

這里需要注意的是，神經網絡的閾值數(shù)量計算方式如下：

本網絡有2層：

第一層的閾值數(shù)量為：2*10 = 20； 即inputnum * hiddennum；

第一層的權值數(shù)量為：10；即hiddennum；

第二層的閾值數(shù)量為：10*1 = 10；即hiddenum * outputnum；

第二層權值數(shù)量為：1；即outputnum；

于是可知我們優(yōu)化的維度為：inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 41；

適應度函數(shù)值設定：

本文設置適應度函數(shù)如下：
$$fitness=argmin(mse(TrainDataError)+mes(TestDataError))$$
其中TrainDataError,TestDataError分別為訓練集和測試集的預測誤差。mse為求取均方誤差函數(shù)，適應度函數(shù)表明我們最終想得到的網絡是在測試集和訓練集上均可以得到較好結果的網絡。

4.測試結果：

從JAYA算法的收斂曲線可以看到，整體誤差是不斷下降的，說明JAYA算法起到了優(yōu)化的作用：

5.Matlab代碼