回归预测 | MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测
目录
- 回归预测 | MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测
- 效果一览
- 基本介绍
- 模型描述
- 程序设计
- 参考资料
效果一览
基本介绍
基于麻雀算法优化深度置信网络(SSA-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。
评价指标包括：R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。
MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测（Matlab完整程序和数据）
输入多个特征，输出1个，即多输入单输出；
运行环境Matlab2018及以上,运行主程序main即可，其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集；
命令窗口输出RMSEP、MAE、R2、MAPE。-----------------------误差计算--------------------------
评价结果如下所示：
平均绝对误差MAE为：0.16722
均方误差MSE为： 0.061486
均方根误差RMSE为： 0.24796
决定系数R^2为： 0.98945
剩余预测残差RPD为： 10.0234
平均绝对百分比误差MAPE为： 0.04507
模型描述
SSA-DBN麻雀算法是一种基于深度置信网络（DBN）的回归预测算法，该算法的目标是将多个输入变量映射到单个输出变量，并且可以应用于各种领域的数据预测问题。具体来说，该算法将时间序列数据分解为多个成分，并使用其中的一些成分作为输入变量。然后，DBN模型将这些输入变量与输出变量之间的关系进行建模，并使用反向传播算法进行训练。最终，该算法可以用于预测单个输出变量的未来趋势。值得注意的是，该算法需要大量的数据进行训练，并且需要仔细选择SSA分解的成分和DBN模型的参数，以获得最佳的预测性能。此外，该算法的应用领域也需要具有一定的时间序列特征，否则其预测性能可能会受到影响。
程序设计
- 完整程序和数据下载方式1(资源处直接下载)：MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测
- 完整程序和数据下载方式2(订阅《DBN深度置信网络》专栏，同时可阅读《DBN深度置信网络》专栏收录的所有内容，数据订阅后私信我获取)：MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测
- 完整程序和数据下载方式3(订阅《智能学习》专栏，同时获取《智能学习》专栏收录程序4份，订阅后三天内私信我获取)：MATLAB实现SSA-DBN麻雀算法优化深度置信网络的数据多输入单输出回归预测
%_________________________________________________________________________%
% 麻雀优化算法 %
%_________________________________________________________________________%
function [Best_score,Best_pos,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)
ST = 0.7;%预警值
PD = 0.4;%发现者的比列，剩下的是加入者0.7
SD = 0.2;%意识到有危险麻雀的比重
PDNumber = round(pop*PD); %发现者数量
SDNumber = round(SD*PD);%意识到有危险麻雀数量
%种群初始化
X0=initialization(pop,dim,ub,lb);
X = X0;
%计算初始适应度值
fitness = zeros(1,pop);
for i = 1:pop
fitness(i) = fobj(X(i,:));
end
[fitness, index]= sort(fitness);%升排序
BestF = fitness(1);
WorstF = fitness(end);
GBestF = fitness(1);%全局最优适应度值
for i = 1:pop
X(i,:) = X0(index(i),:);
end
curve=zeros(1,Max_iter);
GBestX = X(1,:);%全局最优位置
X_new = X;
for i = 1: Max_iter
disp(['第',num2str(i),'次迭代'])
BestF = fitness(1);
WorstF = fitness(end);
R2 = rand(1);
for j = 1:PDNumber
if(R2<ST)
X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));
else
X_new(j,:) = X(j,:) + randn()*ones(1,dim);
end
end
for j = PDNumber+1:pop
% if(j>(pop/2))
if(j>(pop - PDNumber)/2 + PDNumber)
X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);
else
%产生-1，1的随机数
A = ones(1,dim);
for a = 1:dim
if(rand()>0.5)
A(a) = -1;
end
end
AA = A'*inv(A*A');
X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';
end
end
Temp = randperm(pop);
SDchooseIndex = Temp(1:SDNumber);
for j = 1:SDNumber
if(fitness(SDchooseIndex(j))>BestF)
X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));
elseif(fitness(SDchooseIndex(j))== BestF)
K = 2*rand() -1;
X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));
end
end
%边界控制
for j = 1:pop
for a = 1: dim
if length(ub)>1
if(X_new(j,a)>ub(a))
X_new(j,a) =ub(a);
end
if(X_new(j,a)<lb(a))
X_new(j,a) =lb(a);
end
else
if(X_new(j,a)>ub)
X_new(j,a) =ub;
end
if(X_new(j,a)<lb)
X_new(j,a) =lb;
end
end
end
end
%更新位置
for j=1:pop
fitness_new(j) = fobj(X_new(j,:));
end
for j = 1:pop
if(fitness_new(j) < GBestF)
GBestF = fitness_new(j);
GBestX = X_new(j,:);
end
end
X = X_new;
fitness = fitness_new;
%排序更新
[fitness, index]= sort(fitness);%排序
BestF = fitness(1);
WorstF = fitness(end);
for j = 1:pop
X(j,:) = X(index(j),:);
end
curve(i) = GBestF;
disp(['current iteration is: ',num2str(i), ', best fitness is: ', num2str(GBestF)]);
end
Best_pos =GBestX; %全局最优位置 K Alpha值组合
Best_score = curve(end);%全局最优适应度值 熵值最小
end
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718
