回归预测 | MATLAB实现PSO-GCNN粒子群算法优化分组卷积神经网络的数据多输入单输出回归预测
效果一览
基本介绍
回归预测 | MATLAB实现PSO-GCNN粒子群算法优化分组卷积神经网络的数据多输入单输出回归预测
MATLAB实现PSO-GCNN粒子群算法优化分组卷积神经网络的数据多输入单输出回归预测（Matlab完整程序和数据）
输入7个特征，输出1个，即多输入单输出；
运行环境Matlab2018及以上,运行主程序main即可，其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集；
命令窗口输出RMSEP、MAE、R2、MAPE。
模型描述
粒子群算法（Particle Swarm Optimization, PSO）是一种启发式优化算法，通常用于解决复杂的非线性优化问题。而分组卷积神经网络（Grouped Convolutional Neural Network, GCNN）是一种卷积神经网络的变体，可以将输入数据分组进行卷积操作，从而减少计算量和参数数量。
针对数据多输入单输出回归预测问题，可以使用粒子群算法来优化分组卷积神经网络的结构和参数，以提高预测准确性。具体步骤如下：
-
定义目标函数
首先需要定义一个目标函数，用于衡量分组卷积神经网络的预测准确性。一般来说，可以使用均方根误差（RMSE）或者均方误差（MSE）作为目标函数。 -
确定网络结构和参数
接下来需要确定分组卷积神经网络的结构和参数，包括分组数、每组的卷积核数量、卷积核大小等。可以将这些参数作为粒子的维度，每个粒子代表一个网络结构和参数组合。 -
初始化粒子群
随机生成一定数量的粒子，每个粒子代表一个网络结构和参数组合。每个粒子都有一个速度和位置，速度表示它的移动方向和速度，位置表示它的当前位置。 -
更新粒子速度和位置
根据当前粒子的位置和速度，计算下一时刻的速度和位置。更新公式如下：
v_i(t+1) = w * v_i(t) + c1 * rand() * (pbest_i - x_i(t)) + c2 * rand() * (gbest - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)
其中，v_i(t)表示粒子i在时刻t的速度，x_i(t)表示粒子i在时刻t的位置，pbest_i表示粒子i历史上最优的位置，gbest表示整个粒子群历史上最优的位置，w、c1和c2是常数，rand()是一个在[0,1]范围内均匀分布的随机数。
-
计算适应度
根据当前粒子的位置，计算目标函数的值作为粒子的适应度。如果当前位置比历史最优位置更优，则更新历史最优位置。 -
判断停止条件
如果达到预设的停止条件（如达到最大迭代次数或目标函数值足够小），则停止算法并返回历史最优位置对应的网络结构和参数。 -
重复步骤4-6
如果没有达到停止条件，则重复步骤4-6，直到达到停止条件为止。
最终得到的历史最优位置对应的网络结构和参数即为经过粒子群算法优化后的分组卷积神经网络，可以用于数据多输入单输出回归预测问题。
程序设计
- 完整程序和数据下载：后台私信PSO-GCNN粒子群算法优化分组卷积神经网络的数据多输入单输出回归预测
%% 参数设置
% ---------------------- 修改模型参数时需对应修改fical.m中的模型参数 --------------------------
options = trainingOptions('adam', ... % Adam 梯度下降算法
'MaxEpochs', 500, ... % 最大训练次数 500
'InitialLearnRate', best_lr, ... % 初始学习率 best_lr
'LearnRateSchedule', 'piecewise', ... % 学习率下降
'LearnRateDropFactor', 0.5, ... % 学习率下降因子 0.1
'LearnRateDropPeriod', 400, ... % 经过 400 次训练后 学习率为 best_lr * 0.5
'Shuffle', 'every-epoch', ... % 每次训练打乱数据集
'ValidationPatience', Inf, ... % 关闭验证
'L2Regularization', best_l2, ... % 正则化参数
'Plots', 'training-progress', ... % 画出曲线
'Verbose', false);
%% 训练模型
net = trainNetwork(p_train, t_train, layers, options);
%% 仿真验证
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
T_sim1=double(T_sim1);
T_sim2=double(T_sim2);
%% 均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
%% 参数初始化
popsize=pop; %种群规模
lenchrom=dim; %变量字串长度
fun = fobj; %适应度函数
pc=0.7; %设置交叉概率
pm=0.3; %设置变异概率
if(max(size(ub)) == 1)
ub = ub.*ones(dim,1);
lb = lb.*ones(dim,1);
end
maxgen=Max_iter; % 进化次数
%种群
%% 产生初始粒子和速度
%随机产生一个种群
GApop=initialization(pop, dim, ub, lb); %随机产生个体
for i=1:popsize
%计算适应度
fitness(i)=fun(GApop(i,:)); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(fitness);
zbest=GApop(bestindex,:); %全局最佳
gbest=GApop; %个体最佳
fitnessgbest=fitness; %个体最佳适应度值
fitnesszbest=bestfitness; %全局最佳适应度值
%% 迭代寻优
for i=1:maxgen
disp(['第',num2str(i),'次迭代'])
%种群更新 GA选择更新
GApop=Select2(GApop,fitness,popsize);
% 交叉操作 GA
GApop=Cross(pc,lenchrom,GApop,popsize,lb,ub);
% 变异操作 GA变异
GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],lb,ub);
pop=GApop;
for j=1:popsize
%适应度值
fitness(j)=fun(pop(j,:));
%个体最优更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群体最优更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
curve(i)=fitnesszbest;
end
%% 边界数目
Boundary_no= size(ub, 2);
%% 变量数目等于1
if Boundary_no == 1
Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;
end
%% 如果每个变量有不同的上下界
if Boundary_no > 1
for i = 1 : dim
ub_i = ub(i);
lb_i = lb(i);
Positions(:, i) = rand(SearchAgents_no, 1) .* (ub_i - lb_i) + lb_i;
end
end
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718