资源简介
利用极限学习机和粒子群优化算法同时对WNN优化,然后对有效停车泊位进行预测,仿真表明在提高预测精度的同时,有效的减少了预测所需时间。
代码片段和文件信息
tic %该函数表示计时开始
%原始数据
A = [44 31 20 15 23 11 23 37 34 17 18 21 16 13 25 38 25 22 19 23 18 20 26 37 42 27 12 13 25 15 25 33 37 18 21 28 21 10 22 29 32 21 8 13 15 16 19 25 43 33 14 23 21 20 16 22 25 27 12 21 25 13 14 22 36 16 14 15 18 11 14 25 30 26 20 28 16 19 16 29 35 24 8 12 23 18 19 33 41 22 12 25 23 11 23 37];
B = [40 33 18 23 11 20 24 35 38 26 19 10 11 12 14 17 33 29 24 28 11 20 23 25 30 30 20 11 12 12 18 40 28 26 10 23 14 20 17 26 23 23 10 19 16 13 23 17 31 23 16 13 18 18 14 34 27 27 17 27 20 14 23 37 35 27 21 9 22 17 16 19 42 24 12 26 24 16 19 23 33 17 12 14 26 15 22 40 41 32 15 18 27 18 14 29];
%要进行预测的实测数据
C = [40 24 16 22 10 11 22 14 38 18 16 12 5 15 20 37 28 14 17 26 6 19 16 18 36 15 16 12 11 17 14 30 30 20 9 22 19 13 13 27 31 26 19 19 25 11 15 20 35 31 13 14 27 14 18 36 29 32 5 15 23 18 22 14 23 28 13 11 16 18 23 38 29 22 19 24 9 14 22 17 39 17 9 15 5 11 19 32 40 14 6 18 7 14 16 25];
%序列p0
p0 = (A+B) / 2;
%归一化
a = max(p0);
b = min(p0);
for i=1:96
T(i) = (p0(i) - b) / (a - b);
end
%初始化输入层与隐含层之间的连接权值和隐含层神经元的阈值
for i=1:96
W(i) = 10 * rand() + 10; %加上平移阈值
d(i) = 10 * rand() + 10;
end
%隐含层输出矩阵
for i=1:90
H(i) = W(i) * T(i) + d(i);
end
%输出层权值
for i=1:96
% W1(i) = pinv(H(i)) * p0(i);
W1(i) = 10 * rand() + 10; %加上平移阈值
end
%最终输出值
for i=1:90
M(i) = W1(i) * H(i);
end
%给定初始化条件
c1 = 1.4962; %加速常数即学习因子1
c2 = 1.4962;
相关资源
- 极限学习机和粒子群优化算法优化小
- 粒子群优化BPNN车位预测
- 带有约束条件的粒子群算法代码pso.
- 极限学习机回归及分类代码
- matlab可用粒子群工具箱 - PSOt
- 运用粒子群算法求解风电调度问题
- 基于MATLAB的PSO算法.pdf
- 使用PSO算法进行PID控制器的整定matl
- 完全自主研发的粒子群算法来求解约
- 多目标粒子群算法优化
- 蚁群、粒子群、GA、TS等算法解决Job
- PSO粒子群算法实现
- 粒子群pso算法
- 粒子群优化算法演示及matlab源程序
- 粒子群优化算法,matlab实现程序,有
- 碳排放交易粒子群优化算法
- 粒子群算法优化BP神经网络权值的程序
- 用粒子群算法优化支持向量机的matl
- 多目标优化粒子群算法MATLAB
- 粒子群算法详解+matlab代码说明
- 粒子群机器人路径规划
- 基于粒子群算法的图像聚类算法
- 基于粒子群优化算法的模糊c聚类源码
- 粒子群优化算法Matlab源程序
- 基本粒子群算法MATLAB源代码
- 基于PSO算法的PID控制器设计与实现论
- PSO粒子群算法万能matlab代码注释详细
- 粒子群算法优化问题matlab程序
- MATLAB粒子群算法仿真
- 粒子群优化算法的完整函数测试
评论
共有 条评论