资源简介
可以运行的代码!麻雀搜索算法(SSA)优化BP神经网络,能够很好的进行预测,并且该算法是今年提出的,非常好用,值得推荐和写论文

代码片段和文件信息
function error = fun(xinputnumhiddennumoutputnumnetinputnoutputn)
%该函数用来计算适应度值
%x input 个体
%inputnum input 输入层节点数
%outputnum input 隐含层节点数
%net input 网络
%inputn input 训练输入数据
%outputn input 训练输出数据
%error output 个体适应度值
%提取
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
net=newff(inputnoutputnhiddennum);
%网络进化参数
net.trainParam.epochs=20;
net.trainParam.lr=0.01;
net.trainParam.goal=0.00001;
net.trainParam.show=100;
net.trainParam.showWindow=0;
%网络权值赋值
net.iw{11}=reshape(w1hiddennuminputnum);
net.lw{21}=reshape(w2outputnumhiddennum);
net.b{1}=reshape(B1hiddennum1);
net.b{2}=B2;
%网络训练
net=train(netinputnoutputn);
an=sim(netinputn);
error=sum(abs(an-outputn));
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
文件 46404 2011-03-04 10:53 麻雀搜索算法(SSA)优化bp网络\data.mat
文件 1050 2020-03-28 13:26 麻雀搜索算法(SSA)优化bp网络\fun.m
文件 4839 2020-10-12 20:56 麻雀搜索算法(SSA)优化bp网络\SSA.m
目录 0 2020-03-29 21:45 麻雀搜索算法(SSA)优化bp网络
----------- --------- ---------- ----- ----
52293 4
相关资源
- 改进的BP神经网络算法
- DXperienceUniversal 10.1.6(2010年8月13日版
- 基于bp神经网络的表情识别
- 基于熵权法的PHC管桩承载力组合预测
- 基于ARIMA、BP神经网络与GM的组合模型
- 基于双隐含层BP神经网络的预测
- 基于PSO优化BP神经网络的水质预测研究
- BP神经网络算法逼近一个正弦函数
- 基于主成分分析与BP神经网络的雾天能
- 基于BP神经网络的挖掘机液压系统故障
- FANUC机器人Socket Message通讯设置及使用
- BP神经网络在手机评价中的应用
- 基于因素分析与BP神经网络的上市公司
- BP神经网络计算过程详解
- 基于BP神经网络电力系统短期负荷预测
- BP神经网络用于两类图片识别分类
- 各种优化BP神经网络算法
- 基于BP神经网络的车牌识别技术
- libcurl-weixin-message
- 基于LabVIEW的BP神经网络算法的设计实
- grub4dos制作多系统启动U盘所需文件打
- DXperienceUniversal 9.3.3 part132010年2月1日版
- bp神经网络图像识别
- BI SSAS 通过配置表动态权限控制项目
- 基于BP神经网络的人脸识别的源代码
- BP神经网络在GPS高程拟合中的应用
- bp神经网络轴承故障诊断系统
- 基于遗传算法的BP神经网络在多目标优
- 论文:基于BP神经网络和GM1,1模型的
- SSAO Pro v2.0
评论
共有 条评论