Predicción de datos y optimización de la red neuronal de BP basada en el algoritmo Spotted Hyena
La red neuronal BP es una red neuronal artificial ampliamente utilizada en la predicción de datos, clasificación, reconocimiento de imágenes y otros campos. Sin embargo, la red neuronal de BP tiene problemas como la velocidad de entrenamiento lenta y la facilidad para caer en el óptimo local. Para resolver estos problemas, podemos utilizar el algoritmo de la hiena manchada para optimizar la red neuronal de BP.
El algoritmo de hiena manchada es un algoritmo de optimización basado en el comportamiento de las hienas manchadas en la naturaleza, que tiene una capacidad de búsqueda global y una velocidad de convergencia rápida. La combinación del algoritmo de la hiena manchada con la red neuronal de BP puede mejorar efectivamente el rendimiento de la red neuronal.
A continuación, usamos un ejemplo para demostrar el proceso del algoritmo de la hiena manchada para optimizar la red neuronal de BP. Lo implementamos utilizando el lenguaje de programación Matlab.
Primero, necesitamos preparar el conjunto de datos, aquí tomamos el conjunto de datos del precio de la vivienda de Boston como ejemplo. El conjunto de datos contiene 506 muestras, cada muestra tiene 13 características y 1 valor de salida. Primero leemos los datos:
load boston.mat
A continuación, dividimos el conjunto de datos en un conjunto de entrenamiento y un conjunto de prueba, donde el conjunto de entrenamiento representa el 70 % y el conjunto de prueba representa el 30 %:
train_ratio = 0.7;
[train_set, test_set] = split_data