【BP預測】基於頭腦風暴演算法改進BP神經網路實現資料預測
一、 BP神經網路預測演算法簡介
說明:1.1節主要是概括和幫助理解考慮影響因素的BP神經網路演算法原理,即常規的BP模型訓練原理講解(可根據自身掌握的知識是否跳過)。1.2節開始講基於歷史值影響的BP神經網路預測模型。
使用BP神經網路進行預測時,從考慮的輸入指標角度,主要有兩類模型:
1.1 受相關指標影響的BP神經網路演算法原理
如圖一所示,使用MATLAB的newff函式訓練BP時,可以看到大部分情況是三層的神經網路(即輸入層,隱含層,輸出層)。這裡幫助理解下神經網路原理:
1)輸入層:相當於人的五官,五官獲取外部資訊,對應神經網路模型input埠接收輸入資料的過程。
2)隱含層:對應人的大腦,大腦對五官傳遞來的資料進行分析和思考,神經網路的隱含層hidden Layer對輸入層傳來的資料x進行對映,簡單理解為一個公式hiddenLayer_output=F(w*x+b)。其中,w、b叫做權重、閾值引數,F()為對映規則,也叫啟用函式,hiddenLayer_output是隱含層對於傳來的資料對映的輸出值。換句話說,隱含層對於輸入的影響因素資料x進行了對映,產生了對映值。
3)輸出層:可以對應為人的四肢,大腦對五官傳來的資訊經過思考(隱含層對映)之後,再控制四肢執行動作(向外部作出響應)。類似地,BP神經網路的輸出層對hiddenLayer_output再次進行對映,outputLayer_output=w *hiddenLayer_output+b。其中,w、b為權重、閾值引數,outputLayer_output是神經網路輸出層的輸出值(也叫模擬值、預測值)(理解為,人腦對外的執行動作,比如嬰兒拍打桌子)。
4)梯度下降演算法:通過計算outputLayer_output和神經網路模型傳入的y值之間的偏差,使用演算法來相應調整權重和閾值等引數。這個過程,可以理解為嬰兒拍打桌子,打偏了,根據偏離的距離遠近,來調整身體使得再次揮動的胳膊不斷靠近桌子,最終打中。
再舉個例子來加深理解:
圖一所示BP神經網路,具備輸入層、隱含層和輸出層。BP是如何通過這三層結構來實現輸出層的輸出值outputLayer_output,不斷逼近給定的y值,從而訓練得到一個精準的模型的呢?
從圖中串起來的埠,可以想到一個過程:坐地鐵,將圖一想象為一條地鐵線路。王某某坐地鐵回家的一天:在input起點站上車,中途經過了很多站(hiddenLayer),然後發現坐過頭了(outputLayer對應現在的位置),那麼王某某將會根據現在的位置離家(目標Target)的距離(誤差Error),返回到中途的地鐵站(hiddenLayer)重新坐地鐵(誤差反向傳遞,使用梯度下降演算法更新w和b),如果王某某又一次發生失誤,那麼將再次進行這個調整的過程。
從在嬰兒拍打桌子和王某某坐地鐵的例子中,思考問題:BP的完整訓練,需要先傳入資料給input,再經過隱含層的對映,輸出層得到BP模擬值,根據模擬值與目標值的誤差,來調整引數,使得模擬值不斷逼近目標值。比如(1)嬰兒受到了外界的干擾因素(x),從而作出反應拍桌(predict),大腦不斷的調整胳膊位置,控制四肢拍準(y、Target)。(2)王某某上車點(x),過站點(predict),不斷返回中途站來調整位置,到家(y、Target)。
在這些環節中,涉及了影響因素資料x,目標值資料y(Target)。根據x,y,使用BP演算法來尋求x與y之間存在的規律,實現由x來對映逼近y,這就是BP神經網路演算法的作用。再多說一句,上述講的過程,都是BP模型訓練,那麼最終得到的模型雖然訓練準確,但是找到的規律(bp network)是否準確與可靠呢。於是,我們再給x1到訓練好的bp network中,得到相應的BP輸出值(預測值)predict1,通過作圖,計算Mse,Mape,R方等指標,來對比predict1和y1的接近程度,就可以知道模型是否預測準確。這是BP模型的測試過程,即實現對資料的預測,並且對比實際值檢驗預測是否準確。
圖一 3層BP神經網路結構圖
1.2 基於歷史值影響的BP神經網路
以電力負荷預測問題為例,進行兩種模型的區分。在預測某個時間段內的電力負荷時:
一種做法,是考慮t時刻的氣候因素指標,比如該時刻的空氣溼度x1,溫度x2,以及節假日x3等的影響,對t時刻的負荷值進行預測。這是前面1.1所說的模型。
另一種做法,是認為電力負荷值的變化,與時間相關,比如認為t-1,t-2,t-3時刻的電力負荷值與t時刻的負荷值有關係,即滿足公式y(t)=F(y(t-1),y(t-2),y(t-3))。採用BP神經網路進行訓練模型時,則輸入到神經網路的影響因素值為歷史負荷值y(t-1),y(t-2),y(t-3),特別地,3叫做自迴歸階數或者延遲。給到神經網路中的目標輸出值為y(t)。
二、頭腦風暴演算法
三、部分程式碼
clc clear %bso test tic funStr = 'Griewangk10D5C'; %output worksheet name funName = @Griewangk; % fitness function name rang_l = -600; % left of dynamic range rastrigin rang_r = 600; % right of dynamic range %n_p = 500; % population size %n_d = 2; % dimension %n_c = 5; % number of clusters %rang_l = -100; % left of dynamic range %rang_r = 100; % right of dynamic range %max_iteration = 50; % maximal number of iterations warning off all n_p = 100; % population size n_d = 10; % dimension % n_c = 2; % number of clusters % funStr = 'sphere10D5C'; %output worksheet name % funName = @sphere; % fitness function name % rang_l = -100; % left of dynamic range sphere % rang_r = 100; % right of dynamic range % funStr = 'Minima10D5C'; %output worksheet name % funName = @Minima; % fitness function name % rang_l = -5; % left of dynamic range rastrigin % rang_r = 5; % right of dynamic range % funStr = 'Griewangk10D5C'; %output worksheet name % funName = @Griewangk; % fitness function name % rang_l = -50; % left of dynamic range rastrigin % rang_r = 50; % right of dynamic range % funName = @ackley_path; % fitness function name % rang_l = -5; % left of dynamic range rastrigin % rang_r = 5; % right of dynamic range % minpts = 10; max_iteration = 2000; % maximal number of iterations XX=1; %P = 0; n_c = 2; % P = 0.6; % for P = 0:0.1:1 for idx = 1:30 % run times fit = bso2(funName,n_p,n_d,n_c,rang_l,rang_r,max_iteration); %run BSO one time if idx <27 str = native2unicode(idx + 64); else % assume idx <53 str =['A',native2unicode(idx + 38)]; end xlswrite('bso.xls',fit,funStr, [str,'1']); % output best fitness over generation to EXCEL worksheet for each BSO run ['run', num2str(idx)] opt(idx,:)=fit; %可以把列換成行 fit為一列資料 % plot(x,opt(1,:) end opt; format short g best_value = min(opt(:,max_iteration)) worst_value = max(opt(:,max_iteration)) [ln col]=size(opt); out_put(XX,:)=sum(opt)/ln; %每一列的均值 format short g m_value = min(out_put(XX,:)) z = 0; for idx = 1:30 z = z+(opt(idx,max_iteration)-m_value)^2; end SD = z/29 XX=XX+1 % end % save UUB out_put(n_c,:); % plot(out_put); % end % save UUB out_put(n_c,:); % plot(opt); save UUB out_put; x=1:max_iteration; % plot(x,out_put(1,:),'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',); % legend('k=2:藍色','k=3:綠色','k=4:紅色','k=5:青色','k=6:品紅色','k=7:黃色','k=8:黑色','k=9','k=10'); plot(x,out_put(1,:))%,'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',x,out_put(10,:),'r:',x,out_put(11,:),'c-.'); % legend('P=0','P=0.1','P=0.2','P=0.3','P=0.4','P=0.5','P=0.6','P=0.7','P=0.8','P=0.9','P=1'); toc
四、模擬結果
圖2頭腦風暴演算法收斂曲線
測試統計如下表所示
測試結果 | 測試集正確率 | 訓練集正確率 |
---|---|---|
BP神經網路 | 100% | 95% |
BSO-BP | 100% | 99.8% |
五、參考文獻及程式碼私信博主
《基於BP神經網路的寧夏水資源需求量預測》