基于蝙蝠优化的BP神经网络（分类应用） |
您所在的位置：网站首页 › 蝙蝠算法的应用 › 基于蝙蝠优化的BP神经网络（分类应用） |
基于蝙蝠优化的BP神经网络（分类应用）
|
基于蝙蝠优化的BP神经网络（分类应用） - 附代码
文章目录
基于蝙蝠优化的BP神经网络（分类应用） - 附代码1.鸢尾花iris数据介绍2.数据集整理3.蝙蝠优化BP神经网络3.1 BP神经网络参数设置3.2 蝙蝠算法应用
4.测试结果：5.Matlab代码
摘要：本文主要介绍如何用蝙蝠算法优化BP神经网络，利用鸢尾花数据，做一个简单的讲解。
1.鸢尾花iris数据介绍
本案例利用matlab公用的iris鸢尾花数据，作为测试数据，iris数据是特征为4维，类别为3个类别。数据格式如下： 特征1特征2特征3类别单组iris数据5.32.11.213种类别用1，2，3表示。 2.数据集整理iris数据总共包含150组数据，将其分为训练集105组，测试集45组。如下表所示： 训练集（组）测试集（组）总数据（组）10545150类别数据处理：原始数据类别用1，2，3表示为了方便神经网络训练，类别1，2，3分别用1，0，0；0，1，0；0，0，1表示。 当进行数据训练对所有输入特征数据均进行归一化处理。 3.蝙蝠优化BP神经网络 3.1 BP神经网络参数设置通常而言，利用智能算法一般优化BP神经网络的初始权值和阈值来改善BP神经网络的性能。本案例基于iris数据，由于iris数据维度不高，采用简单的BP神经网络。神经网络参数如下：
神经网络参数如下： %创建神经网络 inputnum = 4; %inputnum 输入层节点数 4维特征 hiddennum = 10; %hiddennum 隐含层节点数 outputnum = 3; %outputnum 隐含层节点数 net = newff( minmax(input) , [hiddennum outputnum] , { 'logsig' 'purelin' } , 'traingdx' ) ; %设置训练参数 net.trainparam.show = 50 ; net.trainparam.epochs = 200 ; net.trainparam.goal = 0.01 ; net.trainParam.lr = 0.01 ; 3.2 蝙蝠算法应用蝙蝠算法原理请参考：https://blog.csdn.net/u011835903/article/details/107937903 蝙蝠算法的参数设置为： popsize = 10;%种群数量 Max_iteration = 15;%最大迭代次数 lb = -5;%权值阈值下边界 ub = 5;%权值阈值上边界 % inputnum * hiddennum + hiddennum*outputnum 为阈值的个数 % hiddennum + outputnum 为权值的个数 dim = inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;% inputnum * hiddennum + hiddennum*outputnum维度这里需要注意的是，神经网络的阈值数量计算方式如下： 本网络有2层： 第一层的阈值数量为：4*10 = 40； 即inputnum * hiddennum； 第一层的权值数量为：10；即hiddennum； 第二层的阈值数量为：3*10 = 30；即hiddenum * outputnum； 第二层权值数量为：3；即outputnum； 于是可知我们优化的维度为：inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 83； 适应度函数值设定： 本文设置适应度函数如下： f i t n e s s = a r g m i n ( T r a i n D a t a E r r o r R a t e + T e s t D a t a E r r o r R a t e ) fitness = argmin(TrainDataErrorRate + TestDataErrorRate) fitness=argmin(TrainDataErrorRate+TestDataErrorRate) 其中TrainDataErrorRate，TestDataErrorRate分别为训练集和测试集的错误分类率。适应度函数表明我们最终想得到的网络是在测试集和训练集上均可以得到较好结果的网络。 4.测试结果：从蝙蝠算法的收敛曲线可以看到，整体误差是不断下降的，说明蝙蝠算法起到了优化的作用： |
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |