基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络预测
1 普通BP网络
代码如有需要，联系 596520206
%构建网络
net=newff(inputn,outputn,hiddennum);
% 网络参数
net.trainParam.epochs=100; % 训练次数
net.trainParam.lr=0.01; % 学习速率
net.trainParam.goal=0.0001; % 训练目标最小误差
% 网络训练
net=train(net,inputn,outputn);
an0=sim(net,inputn); %仿真结果
mse0=mse(outputn,an0); %仿真的均方误差
disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)])
隐含层节点的确定过程...
隐含层节点数为4时，训练集的均方误差为：0.18502
隐含层节点数为5时，训练集的均方误差为：0.25439
隐含层节点数为6时，训练集的均方误差为：0.15501
隐含层节点数为7时，训练集的均方误差为：0.33841
隐含层节点数为8时，训练集的均方误差为：0.18279
隐含层节点数为9时，训练集的均方误差为：0.23381
隐含层节点数为10时，训练集的均方误差为：0.15169
隐含层节点数为11时，训练集的均方误差为：0.16844
隐含层节点数为12时，训练集的均方误差为：0.5154
隐含层节点数为13时，训练集的均方误差为：0.35645
最佳的隐含层节点数为：10，相应的均方误差为：0.15169
标准的BP神经网络：
平均绝对误差mae为： 0.10768
均方误差mse为： 0.03105
均方误差根rmse为： 0.17621
平均绝对百分比误差mape为： 11.9947 %
2 使用Tent-SSA优化网络
%% Tent混沌映射初始化种群位置
k=3; %k为1到n的正整数，Tent映射初始化k*popsize个种群，从中选出适应度最好的popsize个个体作为初始种群
X0 = tentInitialization(popsize*k,dim,ub,lb);
X=X0;
% 计算初始适应度值
fit = zeros(1,popsize*k);
for i = 1:popsize*k
fit(i) = fitness(X(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test);
end
平均绝对误差mae为： 0.074413
均方误差mse为： 0.012718
均方误差根rmse为： 0.11278
平均绝对百分比误差mape为： 8.7977 %
