海城做网站公司昆山小程序制作

海城做网站公司,昆山小程序制作,网站建设教程模板,青岛网页设计公司哪个最好#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。⛳️赠与读者‍做科研涉及到一个深在的思想系统需要科研者逻辑缜密踏实认真但是不能只是努力很多时候借力比努力更重要然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学什么是电的时候不要觉得这些问题搞笑。哲学是科学之母哲学就是追究终极问题寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览免得骤然跌入幽暗的迷宫找不到来时的路它不足为你揭示全部问题的答案但若能让人胸中升起一朵朵疑云也未尝不会酿成晚霞斑斓的别一番景致万一它居然给你带来了一场精神世界的苦雨那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。或许雨过云收神驰的天地更清朗.......1 概述基于冠豪猪优化算法Crested Porcupine Optimizer, CPO优化BP神经网络的研究主要涉及将冠豪猪优化算法作为一种有效的优化策略用于调整BP神经网络的权重和阈值从而提高其预测或分类的准确性和效率。以下是对该研究的详细探讨一、冠豪猪优化算法CPO简介冠豪猪优化算法是一种新型的元启发式优化算法由Abdel-Basset等人在2024年初提出并首次发表在中科院1区的SCI顶级期刊《Knowledge-Based Systems》上。该算法模拟了冠豪猪在寻找食物、避免天敌以及在复杂环境中生存的策略特别是其四种独特的防御机制视觉恐吓、声音恐吓、气味攻击和物理攻击。这些防御机制在算法中分别对应于探索和开发阶段为优化问题提供了独特的解决方案。二、BP神经网络概述BP神经网络Back Propagation Neural Network是一种按照误差逆向传播算法训练的多层前馈神经网络由Rumelhart和McClelland等科学家于1986年提出。BP神经网络具有强大的非线性映射能力和优良的多维函数映射能力广泛应用于函数逼近、模式识别、分类和数据压缩等领域。然而BP神经网络也存在学习速度慢、容易陷入局部极小值等缺点。三、CPO优化BP神经网络的研究内容优化目标通过CPO算法优化BP神经网络的权重和阈值以最小化预测误差或分类错误率。优化过程初始化随机初始化BP神经网络的权重和阈值以及CPO算法中冠豪猪个体的位置和速度。适应度计算利用训练数据计算每个冠豪猪个体对应的BP神经网络的适应度即预测误差或分类错误率。更新机制根据适应度值更新冠豪猪个体的位置和速度并据此调整BP神经网络的权重和阈值。迭代优化重复适应度计算和更新机制直到达到预定的迭代次数或满足停止条件。关键技术循环群体缩减技术CPR在优化过程中动态调整冠豪猪群体的数量以提高种群的多样性和收敛速度。防御机制模拟通过模拟冠豪猪的四种防御机制来指导搜索过程包括视觉恐吓、声音恐吓、气味攻击和物理攻击分别对应于算法的探索和开发阶段。四、研究成果与应用利用CPO算法优化BP神经网络的研究成果可以显著提高BP神经网络的性能使其在解决复杂非线性问题时更具优势。这种优化方法已在多个领域得到应用如风电功率预测、故障诊断、图像处理等。通过CPO算法的优化BP神经网络能够更快地收敛到全局最优解提高预测或分类的准确性和效率。五、未来展望随着冠豪猪优化算法和BP神经网络研究的不断深入基于CPO优化BP神经网络的方法将在更多领域得到应用和推广。未来研究可以进一步探索CPO算法在不同优化问题中的适用性和有效性以及如何通过改进算法结构或结合其他优化策略来进一步提高BP神经网络的性能。同时也可以关注BP神经网络本身的发展动态如深度学习技术的融合等以推动该领域研究的不断进步。2 运行结果包括以下几种优化算法部分代码%% 调用算法disp(正在优化请等待……)H1 cell2mat(str(number));eval([[fMin , bestX, Convergence_curve ] ,H1,(SearchAgents_no,Max_iter,lb,ub,dim,fobj);])%% 绘制进化曲线figureplot(Convergence_curve,k-,linewidth,2)xlabel(进化代数)ylabel(均方误差)legend(最佳适应度)title(进化曲线)setdemorandstream(temp);%此行代码用于生成随机数种子确保结果可以复现[~,optimize_test_simu]fitness(bestX,inputnum,hiddennum_best,outputnum,net,inputn,outputn,inputn_test,outputps,output_test);%% 比较算法预测值str{真实值,标准BP,优化后BP};figure(Units, pixels, ...Position, [300 300 860 370]);plot(output_test,-,Color,[0 1 0])hold onplot(test_simu0,-.,Color,[1 1 0])hold onplot(optimize_test_simu,-,Color,[0 0 1])legend(str)set (gca,FontSize,12,LineWidth,1.2)box offlegend Box off%% 比较算法误差test_y output_test;Test_all [];y_test_predict test_simu0;[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]calc_error(y_test_predict,test_y);Test_all[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];y_test_predict optimize_test_simu;[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]calc_error(y_test_predict,test_y);Test_all[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];str{真实值,标准BP,优化后BP};str1str(2:end);str2{MAE,MAPE,MSE,RMSE,R2};data_outarray2table(Test_all);data_out.Properties.VariableNamesstr2;data_out.Properties.RowNamesstr1;disp(data_out)%% 柱状图 MAE MAPE RMSE 柱状图适合量纲差别不大的color [0 1 00.1339 0.7882 0.85880.1525 0.6645 0.12900.8549 0.9373 0.82750.1551 0.2176 0.86270.7843 0.1412 0.13730.2000 0.9213 0.81760.5569 0.8118 0.78821.0000 0.5333 0.5176];figure(Units, pixels, ...Position, [300 300 660 375]);plot_data_tTest_all(:,[1,2,4]);bbar(plot_data_t,0.8);hold onfor i 1 : size(plot_data_t,2)x_data(:, i) b(i).XEndPoints;endfor i 1:size(plot_data_t,2)b(i).FaceColor color(i,:);b(i).EdgeColor[0.3353 0.3314 0.6431];b(i).LineWidth1.2;endfor i 1 : size(plot_data_t,1)-1xilnk(x_data(i, end) x_data(i1, 1))/2;b1xline(xilnk,--,LineWidth,1.2);hold onendaxgca;legend(b,str1,Location,best)ax.XTickLabels {MAE, MAPE, RMSE};set(gca,FontSize,10,LineWidth,1)box offlegend box off%% 二维图figureplot_data_t1Test_all(:,[1,5]);MarkerType{*,,pentagram,^,v};for i 1 : size(plot_data_t1,2)scatter(plot_data_t1(1,i),plot_data_t1(2,i),120,MarkerType{i},filled)hold onendset(gca,FontSize,12,LineWidth,2)box offlegend box offlegend(str1,Location,best)xlabel(MAE)ylabel(R2)grid on%% 雷达图figure(Units, pixels, ...Position, [150 150 520 500]);Test_all1Test_all./sum(Test_all); %把各个指标归一化到一个量纲Test_all1(:,end)1-Test_all(:,end);RCradarChart(Test_all1);str3{MAE,MAPE,MSE,RMSE,R2};RC.PropNamestr3;RC.ClassNamestr1;RCRC.draw();RC.legend();RC.setBkg(FaceColor,[1,1,1])RC.setRLabel(Color,none)colorList[181 86 29;78 101 155;184 168 207;231 188 198;182 118 108;239 164 132;253 207 158]./255;for n1:RC.ClassNumRC.setPatchN(n,Color,colorList(n,:),MarkerFaceColor,colorList(n,:))end%%figure(Units, pixels, ...Position, [150 150 920 600]);t tiledlayout(flow,TileSpacing,compact);for i1:length(Test_all(:,1))nexttileth1 linspace(2*pi/length(Test_all(:,1))/2,2*pi-2*pi/length(Test_all(:,1))/2,length(Test_all(:,1)));r1 Test_all(:,i);[u1,v1] pol2cart(th1,r1);Mcompass(u1,v1);for j1:length(Test_all(:,1))M(j).LineWidth 2;M(j).Color colorList(j,:);endtitle(str2{i})set(gca,FontSize,10,LineWidth,1)endlegend(M,str1,FontSize,10,LineWidth,1,Box,off,Location,southoutside)3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。[1]尹相国,张文,胡柏华,等.基于BP神经网络算法的新一代智能变电站控制障碍分析与定位技术研究[J].自动化与仪器仪表, 2023(8):144-149.、[2]李伟,何鹏举,杨恒,等.基于粗糙集和改进遗传算法优化BP神经网络的算法研究[J].西北工业大学学报, 2012, 30(4):6.DOI:10.3969/j.issn.1000-2758.2012.04.022.[3]王晓荣,伦淑娴.基于改进粒子群算法的BP神经网络优化研究[J].渤海大学学报(自然科学版), 2008.DOI:JournalArticle/5aec645bc095d710d4ff1b17.[3]邹琼,吴曦,张杨,et al.基于麻雀搜索算法优化的BP神经网络模型对2型糖尿病肾病的预测研究[J].中国全科医学, 2024, 27(08):961-970.DOI:10.12114/j.issn.1007-9572.2023.0360.4 Matlab代码、数据资料获取更多粉丝福利MATLAB|Simulink|Python资源获取