基于ASO-BP原子探索优化BP神经网络实现数据预测Python实现

2024-08-31 18:52

本文主要是介绍基于ASO-BP原子探索优化BP神经网络实现数据预测Python实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文提出了一种基于ASO算法优化BP神经网络的数据预测方法。通过ASO算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络易陷入局部最优解和对初始权值敏感的缺点。实验结果表明,优化后的BP神经网络在预测精度上得到了显著提升,为数据预测领域提供了一种新的有效方法。

一、ASO-BP算法概述

1.ASO原子探索算法

原子搜索算法(ASO)是一种受微观分子动力学启发的智能优化算法,于2019年提出。在ASO中,每个原子在搜索空间中的位置代表一个与原子质量相对应的解,较好的解表示较重的质量。种群中的所有原子会根据彼此之间的距离相互吸引或排斥,且较轻的原子会向较重的原子移动。通过计算Lennard-Jones势能,并利用加速度与速度随距离的关系来更新原子的位置,ASO算法能够有效地求解优化问题。

2.BP神经网络(BP)

BP神经网络是一种具有三层或三层以上的多层神经网络,包括输入层、隐含层和输出层。每一层都由若干个神经元组成,神经元之间通过加权和的方式传递信号,并经过激活函数进行非线性变换。BP神经网络的训练过程包括前向传播和反向传播两个阶段。在前向传播阶段,输入信号从输入层逐层传递到输出层;在反向传播阶段,根据输出误差调整各层之间的连接权重,使误差逐步减小。

3.ASO-BP神经网络回归预测方法

ASO-BP神经网络回归预测方法的基本思路如下:

(1)初始化:初始化BP神经网络的权重和偏置。初始化原子的位置(即神经网络的参数)。

(2)适应度函数:使用BP神经网络在训练集上进行训练,并计算验证集上的误差(如均方误差MSE)作为适应度值。

(3)速度和位置更新:根据原子之间的距离计算势能。根据势能和物理规律更新原子的速度和加速度。根据速度和加速度更新原子的位置,即更新BP神经网络的权值和阈值。

(4)迭代:重复上述步骤,直到达到最大迭代次数或满足其他停止条件。

(5)结果输出:使用最优原子的权重和阈值(即最优参数集)的BP神经网络进行预测。

二、实验步骤

ASO-BP神经网络回归预测步骤:

1.数据清洗:去除缺失值和异常值。

2.特征选择:根据相关性分析选择对预测结果影响显著的特征。

3.数据归一化:将特征值缩放到同一量纲,提高训练效率。

4.定义BP神经网络结构:确定输入层、隐藏层(数量、神经元数)、输出层的结构。

5.初始化:设置ASO参数,包括初始种群规模、最大进化代数、自变量个数(即BP神经网络的权值和阈值总数)、自变量上下限等。

6.评估适应度:使用训练集数据训练BP神经网络,并计算训练集和测试集的均方误差作为适应度值。适应度值越小,表示解的质量越好。

7.更新原子位置:根据原子之间的距离计算势能。根据势能和物理规律更新原子的速度和加速度。根据速度和加速度更新原子的位置,即更新BP神经网络的权值和阈值。

8.迭代优化重复步骤6和7,直到达到最大进化代数或满足其他停止条件。

9.模型评估:在训练完成后,评估模型在训练集和测试集上的性能,使用不同的指标(如R²、MAE、MBE、RMSE、MAPE)。

10.结果可视化:绘制训练集和测试集的预测值与真实值的对比图。

 

代码部分

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
import torch.optim as optim
import matplotlib
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False# 导入数据
data = pd.read_csv('数据集.csv').values# 划分训练集和测试集
np.random.seed(0)
temp = np.random.permutation(len(data))P_train = data[temp[:80], :7]
T_train = data[temp[:80], 7]
P_test = data[temp[80:], :7]
T_test = data[temp[80:], 7]# 数据归一化
scaler_input = MinMaxScaler(feature_range=(0, 1))
scaler_output = MinMaxScaler(feature_range=(0, 1))p_train = scaler_input.fit_transform(P_train)
p_test = scaler_input.transform(P_test)t_train = scaler_output.fit_transform(T_train.reshape(-1, 1)).ravel()
t_test = scaler_output.transform(T_test.reshape(-1, 1)).ravel()
# 转换为 PyTorch 张量
p_train = torch.tensor(p_train, dtype=torch.float32).to(device)
t_train = torch.tensor(t_train, dtype=torch.float32).view(-1, 1).to(device)
p_test = torch.tensor(p_test, dtype=torch.float32).to(device)
t_test = torch.tensor(t_test, dtype=torch.float32).view(-1, 1).to(device)# 初始化网络
class BPNetwork(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(BPNetwork, self).__init__()self.hidden = nn.Linear(input_size, hidden_size)self.relu = nn.ReLU()self.output = nn.Linear(hidden_size, output_size)def forward(self, x):x = self.relu(self.hidden(x))x = self.output(x)return xinput_size = p_train.shape[1]
hidden_size = 11
output_size = t_train.shape[1]bp_net = BPNetwork(input_size, hidden_size, output_size).to(device)# 损失函数
criterion = nn.MSELoss()# 定义适应度函数(误差函数)
def fitness_function(network, data, target):network.eval()with torch.no_grad():output = network(data)loss_fn = nn.MSELoss()loss = loss_fn(output, target)return loss.item()

四、实验与结果

1.数据准备

为了验证ASO优化BP神经网络的有效性,本文采用某数据集进行实验。下面所示本次采用的数据集(部分)。

 

2.结果分析

实验结果表明,经过ASO优化后的BP神经网络在预测精度上显著优于未经优化的BP神经网络。具体地,优化后的BP神经网络在测试集上的均方误差降低了约20%,表明ASO算法能够有效地提升BP神经网络的预测性能。

(1) 训练集预测值和真实值对比结果 

 

(2) 测试集预测值和真实值对比结果  

 

(3) 训练集线性回归图 

 

(4) 测试集线性回归图 

 

(5) 其他性能计算 

 

五、结论

本文提出了一种基于ASO算法优化BP神经网络的数据预测方法。通过ASO算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络易陷入局部最优解和对初始权值敏感的缺点。实验结果表明,优化后的BP神经网络在预测精度上得到了显著提升,为数据预测领域提供了一种新的有效方法。

这篇关于基于ASO-BP原子探索优化BP神经网络实现数据预测Python实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1124724

相关文章

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中,如果使用类成员变量时未给定其初始值,那么它将被

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

SQL中如何添加数据(常见方法及示例)

《SQL中如何添加数据(常见方法及示例)》SQL全称为StructuredQueryLanguage,是一种用于管理关系数据库的标准编程语言,下面给大家介绍SQL中如何添加数据,感兴趣的朋友一起看看吧... 目录在mysql中,有多种方法可以添加数据。以下是一些常见的方法及其示例。1. 使用INSERT I

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核