%% 使用優化后的權值和閾值測試結果

%% 使用優化后的權值和閾值

inputnum=size(P,1);%輸入層神經元個數

outputnum=size(T,1);%輸出層神經元個數

N=size(P_test,2);

M=size(P,2);

%% 新建BP

net=newff(P,T,9);

%% 設置網絡參數：訓練次數1000，訓練目標0.001，學習速率00.1

net.trainParam.epochs =3000;

net.trainParam.goal = 1e-6;

net.trainParam.lr = 0.01;

%% BP初始權值和閾值

w1num=inputnum*hiddennum;%輸入層到隱含層的權值個數

w2num=outputnum*hiddennum;%隱含層到輸入層的權值個數

w1=bestX(1:w1num);%初始輸入層到隱含層的權值

B1=bestX(w1num+1:w1num+hiddennum);

w2=bestX(w1num+hiddennum+1:w1num+hiddennum+w2num);%初始隱含層到輸出層的權值

B2=bestX(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum);%輸出層閾值

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=reshape(B2,outputnum,1);

%% 訓練網絡

net=train(net,P,T);

%% 測試網絡

t_sim_P= sim(net,P);

t_sim_P_test= sim(net,P_test);

%% 反歸一化

T=mapminmax('reverse',T,ps_output);

T_sim_P= mapminmax('reverse',t_sim_P,ps_output);

T_sim_P_test = mapminmax('reverse',t_sim_P_test,ps_output);

%% 相對誤差

error_P=abs(T_sim_P-T)./T;

error_P_test=abs(T_sim_P_test-T_test)./T_test;

%% 相關系數

R2_P= (M * sum(T_sim_P .* T) - sum(T_sim_P) * sum(T))^2 / ((M * sum((T_sim_P).^2) - (sum(T_sim_P))^2) * (M * sum((T).^2) - (sum(T))^2));

R2_P_test = (N * sum(T_sim_P_test .* T_test) - sum(T_sim_P_test) * sum(T_test))^2 / ((N * sum((T_sim_P_test).^2) - (sum(T_sim_P_test))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));

%% 結果對比

result = [T_test' T_sim_P_test' abs(T_test-T_sim_P_test)']

result=[T' T_sim_P' abs(T-T_sim_P)']

總結

以上是生活随笔為你收集整理的天牛须matlab,基于天牛须搜索算法（BAS）优化BP神经网络的权值阈值代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。