pso优化bp神经网络

一个pso优化bp神经网络的程序，应用在分类中。第一步：pso优化bp神经网络得到最优的阈值和权值，第二步bp神经网络把该最优的阈值和权值作为初始阈值和权值，采用动量及自适应学习速率算法进行训练。附件中，是数据和编写的部分程序，tiqushuju是用来提取文本中的数据构造样本集的函数。mubiao是用来构造期望输出的函数。bp是已经编写好的，未使用pso优化的bp神经网络函数。pso是本人编写的pso优化bp神经网络的函数，psobp是采用pso优化的阈值和权值作为bp神经网络的初始权值和阈值进行训练和测试的函数。但是本人编写的粒子群优化bp网络的程序训练效果和测试效果远不如只使用bp的效果。

clear;
load daitong1shuju25k;%导入样本数据
%从样本中提取训练样本 
[hl]=size（daitong1shuju25k）;
p=daitong1shuju25k（:[1:6071:130141:200211:270281:340]）;%训练样本 
daitong1shuju25k（:[1:6071:130141:200211:270281:340]）=[];
 x=daitong1shuju25k;%测试样本 
T=mubiao（560）;

 s1=40;s2=3;%神经元个数


net=newff（minmax（p）[s1s2]{‘tansig‘‘logsig‘}‘traingdx‘）;%网络结构

%设置训练参数
net.trainParam.epochs=5000;
net.trainParam.goal=0.0001;


%训练网络
 [nettr]=train（netpT）;
%提取网络训练结果
w1=net.IW{11};
b1=net.b{1};
w2=net.LW{21};
b2=net.b{2};

%保存网络训练结果
fww1=fopen（‘gongshegongji_w1.dat‘‘w‘）;%建立，打开数据库w1.dat
fwb1=fopen（‘gongshegongji_b1.dat‘‘w‘）;%建立，打开数据库b1.dat
fww2=fopen（‘gongshegongji_w2.dat‘‘w‘）;%建立，打开数据库w2.dat
fwb2=fopen（‘gongshegongji_b2.dat‘‘w‘）;%建立，打开数据库b2.dat

fprintf（fww1‘%6.14f %6.14f\n‘w1）;%将数据w1存入数据库fww1
fprintf（fwb1‘%6.14f %6.14f\n‘b1）;%将数据b1存入数据库fwb1
fprintf（fww2‘%6.14f %6.14f\n‘w2）;%将数据w2存入数据库fww2.
fprintf（fwb2‘%6.14f %6.14f\n‘b2）;%将数据b2存入数据库fwb2

fclose（fww1）;%关闭数据库
fclose（fwb1）;
fclose（fww2）;
fclose（fwb2）;
y=sim（netx）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      23990  2013-02-03 01:03  程序\1.txt

     文件      23990  2013-02-03 01:05  程序\2.txt

     文件      23990  2013-02-03 01:08  程序\3.txt

     文件      23990  2013-02-15 22:43  程序\4.txt

     文件      23990  2013-02-15 22:44  程序\5.txt

     文件       6316  2013-02-16 00:04  程序\chenggonpsobpzj.m

     文件       3024  2006-11-07 18:44  程序\mubiao.m

     文件       1299  2013-02-16 00:13  程序\psobp.m

     文件        702  2013-02-03 05:17  程序\tiqushuju.m

    ..A..H.       162  2013-02-15 22:33  程序\~$ Microsoft Word 文档.doc

     文件       1195  2013-02-16 00:13  程序\bp.m

     目录          0  2013-02-16 00:11  程序

----------- ---------  ---------- -----  ----

               132648                    12