✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
针对传统BP神经网络模型收敛速度慢,易陷入局部极值等问题,本文采用sine混沌映射改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测.通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE,MAPE,MAE分别下降了3.70,3.73,3.34.试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP,SSA-BP神经网络模型,可用于预测PM_(2.5)浓度.
⛄ 部分代码
function error = fitness(x,inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test)
%该函数用来计算适应度值
hiddennum=hiddennum_best;
%提取
setdemorandstream(pi);
w1=x(1:inputnum*hiddennum);%取到输入层与隐含层连接的权值
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);%隐含层神经元阈值
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);%取到隐含层与输出层连接的权值
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);%输出层神经元阈值
net.trainParam.showWindow=0; %隐藏仿真界面
%网络权值赋值
net.iw{1,1}=reshape(w1,hiddennum,inputnum);%将w1由1行inputnum*hiddennum列转为hiddennum行inputnum列的二维矩阵
net.lw{2,1}=reshape(w2,outputnum,hiddennum);%更改矩阵的保存格式
net.b{1}=reshape(B1,hiddennum,1);%1行hiddennum列，为隐含层的神经元阈值
net.b{2}=reshape(B2,outputnum,1);
%网络训练
net=train(net,inputn,outputn);
an0=sim(net,inputn);
train_simu=mapminmax('reverse',an0,outputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
% error=mse(output_test,test_simu); %适应度函数选取为测试集的均方误差，适应度函数值越小，表明模型的预测精度越高，注意newff函数搭建的BP，产生了交叉验证，因此选另外的数据预测误差作为适应度函数是合理。
error=(mse(output_train,train_simu)+mse(output_test,test_simu))/2; %适应度函数选取为训练集与测试集整体的均方误差平均值，适应度函数值越小，表明训练越准确，且兼顾模型的预测精度更好。
⛄ 运行结果
⛄ 参考文献
[1] 孙荣基赵松张小琴李洪鲁盛利伟冯裕钊. 一种基于BP神经网络改进算法的PM2.5预测方法[J]. 四川环境, 2015, 34(4):85-90.
[2] 赵侃, 师芸, 牛敏杰,等. 基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测[J]. 测绘通报, 2022(10):6.
[3] 苏春皓. 基于BP神经网络的PM2.5质量浓度预测[J]. 电脑迷, 2017, 000(027):186.
[4] 付彦丽. 基于神经网络的PM2.5质量浓度预测研究[D]. 陕西科技大学, 2016.
