石景山建设网站软件开发模型的对比

当前位置： 首页 > news >正文

石景山建设网站,软件开发模型的对比,网站建设企业站有哪些要求,网页系统制作公司【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比 一、数据设置 1、7输入1输出 2、103行样本 3、80个训练样本#xff0c;23个测试样本 二、效果展示 NN训练集数据的R2为#xff1a;0.73013 NN测试集数据的R2为#xff1a;0.23848 NN训练集数据的…【MATLAB第62期】基于MATLAB的PSO-NN、BBO-NN、前馈神经网络NN回归预测对比 一、数据设置 1、7输入1输出 2、103行样本 3、80个训练样本23个测试样本 二、效果展示 NN训练集数据的R2为0.73013 NN测试集数据的R2为0.23848 NN训练集数据的MAE为3.0122 NN测试集数据的MAE为4.4752 NN训练集数据的MAPE为0.088058 NN测试集数据的MAPE为0.1302 PSO-NN训练集数据的R2为0.76673 PSO-NN测试集数据的R2为0.72916 PSO-NN训练集数据的MAE为3.124 PSO-NN测试集数据的MAE为3.1873 PSO-NN训练集数据的MAPE为0.088208 PSO-NN测试集数据的MAPE为0.094787 BBO-NN训练集数据的R2为0.67729 BBO-NN测试集数据的R2为0.46872 BBO-NN训练集数据的MAE为3.5204 BBO-NN测试集数据的MAE为4.4843 BBO-NN训练集数据的MAPE为0.099475 BBO-NN测试集数据的MAPE为0.14177三、代码展示部分 %%PSO-NN及BBO-BP回归 %基于生物地理优化进化算法(BBO) %———————————————————————– %% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 rng(0) %% 导入数据 res xlsread(数据集.xlsx);%% 划分训练集和测试集 temp randperm(103);P_train res(temp(1: 80), 1: 7); T_train res(temp(1: 80), 8); M size(P_train, 2);P_test res(temp(81: end), 1: 7); T_test res(temp(81: end), 8); N size(P_test, 2);%% 数据归一化 [p_train, ps_input] mapminmax(P_train, 0, 1); p_test mapminmax(apply, P_test, ps_input);[t_train, ps_output] mapminmax(T_train, 0, 1); t_test mapminmax(apply, T_test, ps_output); %% Learning n 9; % Neurons %—————————————- % trainlm Levenberg-Marquardt % trainbr Bayesian Regularization (good) % trainrp Resilient Backpropagation % traincgf Fletcher-Powell Conjugate Gradient % trainoss One Step Secant (good) % traingd Gradient Descent % Creating the NN —————————- net feedforwardnet(n,trainoss); %——————————————— % configure the neural network for this dataset [net tr] train(net,p_train, t_train); perf perform(net,p_train, t_train); % mse%% 仿真预测 t_sim01net(p_train); t_sim02net(p_test); T_sim01 mapminmax(reverse, t_sim01, ps_output); T_sim02 mapminmax(reverse, t_sim02, ps_output);%% 均方根误差 error01 sqrt(sum((T_sim01 - T_train).^2) ./ M); error02 sqrt(sum((T_sim02 - T_test ).^2) ./ N);%% 绘图 figure() subplot(2,1,1) plot(1: M, T_train, r-, 1: M, T_sim01, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {NN训练集预测结果对比; [RMSE num2str(error01)]}; title(string) xlim([1, M]) gridsubplot(2,1,2) plot(1: N, T_test, r-, 1: N, T_sim02, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {NN测试集预测结果对比; [RMSE num2str(error02)]}; title(string) xlim([1, N]) gridt_sim11net_pso(p_train); t_sim22net_pso(p_test); T_sim11 mapminmax(reverse, t_sim11, ps_output); T_sim22 mapminmax(reverse, t_sim22, ps_output); %% 均方根误差 error11 sqrt(sum((T_sim11 - T_train).^2) ./ M); error22 sqrt(sum((T_sim22 - T_test ).^2) ./ N);%% 相关指标计算 % R2 R01 1 - norm(T_train - T_sim01)^2 / norm(T_train - mean(T_train))^2; R02 1 - norm(T_test - T_sim02)^2 / norm(T_test - mean(T_test ))^2;disp([NN训练集数据的R2为, num2str(R01)]) disp([NN测试集数据的R2为, num2str(R02)])% MAE mae01 sum(abs(T_sim01 - T_train)) ./ M ; mae02 sum(abs(T_sim02 - T_test )) ./ N ;disp([NN训练集数据的MAE为, num2str(mae01)]) disp([NN测试集数据的MAE为, num2str(mae02)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape01 mean(abs((T_train - T_sim01)./T_train));
mape02 mean(abs((T_test - T_sim02 )./T_test)); disp([NN训练集数据的MAPE为, num2str(mape01)]) disp([NN测试集数据的MAPE为, num2str(mape02)])%% 绘图 figure() subplot(2,1,1) plot(1: M, T_train, r-, 1: M, T_sim11, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {PSO-NN训练集预测结果对比; [RMSE num2str(error11)]}; title(string) xlim([1, M]) gridsubplot(2,1,2) plot(1: N, T_test, r-, 1: N, T_sim22, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {PSO-NN测试集预测结果对比; [RMSE num2str(error22)]}; title(string) xlim([1, N]) grid%% 相关指标计算 % R2 R11 1 - norm(T_train - T_sim11)^2 / norm(T_train - mean(T_train))^2; R22 1 - norm(T_test - T_sim22)^2 / norm(T_test - mean(T_test ))^2;disp([PSO-NN训练集数据的R2为, num2str(R11)]) disp([PSO-NN测试集数据的R2为, num2str(R22)])% MAE mae11 sum(abs(T_sim11 - T_train)) ./ M ; mae22 sum(abs(T_sim22 - T_test )) ./ N ;disp([PSO-NN训练集数据的MAE为, num2str(mae11)]) disp([PSO-NN测试集数据的MAE为, num2str(mae22)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape11 mean(abs((T_train - T_sim11)./T_train));
mape22 mean(abs((T_test - T_sim22 )./T_test)); disp([PSO-NN训练集数据的MAPE为, num2str(mape11)]) disp([PSO-NN测试集数据的MAPE为, num2str(mape22)])%% BBO优化 NN 权重和偏差 %% PSO优化 NN 权重和偏差 Weights_Bias_bbogetwb(net_bbo);t_sim31net_bbo(p_train); t_sim32net_bbo(p_test); T_sim31 mapminmax(reverse, t_sim31, ps_output); T_sim32 mapminmax(reverse, t_sim32, ps_output); %% 均方根误差 error31 sqrt(sum((T_sim31 - T_train).^2) ./ M); error32 sqrt(sum((T_sim32 - T_test ).^2) ./ N);%% 绘图 figure() subplot(2,1,1) plot(1: M, T_train, r-, 1: M, T_sim31, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {BBO-NN训练集预测结果对比; [RMSE num2str(error31)]}; title(string) xlim([1, M]) gridsubplot(2,1,2) plot(1: N, T_test, r-, 1: N, T_sim32, b-o, LineWidth, 1) legend(真实值, 预测值) xlabel(预测样本) ylabel(预测结果) string {BBO-NN测试集预测结果对比; [RMSE num2str(error32)]}; title(string) xlim([1, N]) grid%% 相关指标计算 % R2 R31 1 - norm(T_train - T_sim31)^2 / norm(T_train - mean(T_train))^2; R32 1 - norm(T_test - T_sim32)^2 / norm(T_test - mean(T_test ))^2;disp([BBO-NN训练集数据的R2为, num2str(R31)]) disp([BBO-NN测试集数据的R2为, num2str(R32)])% MAE mae31 sum(abs(T_sim31 - T_train)) ./ M ; mae32 sum(abs(T_sim32 - T_test )) ./ N ;disp([BBO-NN训练集数据的MAE为, num2str(mae31)]) disp([BBO-NN测试集数据的MAE为, num2str(mae32)])% MAPE mape mean(abs((YReal - YPred)./YReal));mape31 mean(abs((T_train - T_sim31)./T_train));
mape32 mean(abs((T_test - T_sim32 )./T_test)); disp([BBO-NN训练集数据的MAPE为, num2str(mape31)]) disp([BBO-NN测试集数据的MAPE为, num2str(mape32)])四、代码获取 后台私信回复“62期”即可获取下载链接。