gabpnet.asv

本人调试的大作业（源程序模型+论文）

%function net=GABPNET(XX,YY)
%--------------------------------------------------------------------------
%  GABPNET.m
%  使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络
%--------------------------------------------------------------------------
%数据归一化预处理

XX=[1.0000    1.0000    1.0000    1.0000    1.0000    1.0000    1.0000    1.0000...
0.9996    0.9794    0.8912    0.7325    0.5326    0.3285    0.1535    0.0276...
-0.0445   -0.0700   -0.0630   -0.0391   -0.0119    0.0099    0.0222    0.0249...
0.0206    0.0126    0.0042   -0.0026   -0.0065   -0.0077   -0.0068   -0.0047...
-0.0023   -0.0003    0.0010    0.0015    0.0015    0.0010    0.0005   -0.0000...
-0.0004   -0.0005   -0.0005   -0.0004   -0.0002   -0.0000    0.0001    0.0001...
0.0001    0.0001    0.0001    0.0000   -0.0000   -0.0000   -0.0000   -0.0000...
-0.0000   -0.0000];
YY=[ 0.3800    0.3800    0.3801    0.3803    0.3818    0.3889    0.4247    0.4731...
0.5441    0.6253    0.6832    0.6985    0.6848    0.6552    0.6230    0.5971...
0.5816    0.5765    0.5794    0.5867    0.5950    0.6019    0.6061    0.6076...
0.6068    0.6048    0.6024    0.6004    0.5990    0.5984    0.5984    0.5988...
0.5994    0.5999    0.6003    0.6005    0.6005    0.6004    0.6002    0.6001...
0.5999    0.5999    0.5999    0.5999    0.5999    0.6000    0.6000    0.6000...
0.6000    0.6000    0.6000    0.6000    0.6000    0.6000    0.6000    0.6000...
0.6000    0.6000];
%创建网络
net=newff([-1 1],[1,25,1],{'tansig','tansig','purelin'},'trainlm');
%下面使用遗传算法对网络进行优化
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
aa=ones(S,1)*[-1,1];
popu=50;%种群规模
initPpp=initializega(popu,aa,'gabpEval');%初始化种群
gen=300;%遗传代数
%下面调用gaot工具箱，其中目标函数定义为gabpEval
[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,...
  'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
%绘收敛曲线图
figure(1)
plot(trace(:,1),1./trace(:,3),'r-');
hold on
plot(trace(:,1),1./trace(:,2),'b-');
xlabel('Generation');
ylabel('Sum-Squared Error');
figure(2)
plot(trace(:,1),trace(:,3),'r-');
hold on
plot(trace(:,1),trace(:,2),'b-');
xlabel('Generation');
ylabel('Fittness');
%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);
net.LW{2,1}=W1;
net.LW{3,2}=W2;
net.b{2,1}=B1;
net.b{3,1}=B2;
XX=P;
YY=T;
%设置训练参数
net.trainParam.show=1;
net.trainParam.lr=1;
net.trainParam.epochs=3000;
net.trainParam.goal=0.0001;
%训练网络
net=train(net,XX,YY);
gensim(net,-1)