目錄

一、程序及算法內容介紹：

基本內容：

亮點與優勢：

?二、實際運行效果：

三、部分代碼：

四、本文代碼+數據+說明手冊分享

---

一、程序及算法內容介紹：

基本內容：

• 本代碼基于Matalb平臺編譯，將GA(遺傳算法)與BP神經網絡結合，進行數據回歸預測

• 輸入訓練的數據包含12個特征，1個響應值，即通過12個輸入值預測1個輸出值（多變量分類預測）

• 歸一化訓練數據，提升網絡泛化性

• 通過GA算法優化BP神經網絡的初始權重、初始偏差等參數，記錄下最優的網絡參數

• 訓練BP網絡進行分類預測，將優化前后的網絡預測效果進行對比，突出優化的重要性

• 迭代計算過程中，自動顯示優化進度條，實時查看程序運行進展情況

• 自動輸出多種多樣的的誤差評價指標，自動輸出大量實驗效果圖片

亮點與優勢：

• 注釋詳細，幾乎每一關鍵行都有注釋說明，適合小白起步學習

• 直接運行Main函數即可看到所有結果，使用便捷

• 編程習慣良好，程序主體標準化，邏輯清晰，方便閱讀代碼

• 所有數據均采用Excel格式輸入，替換數據方便，適合懶人選手

• 出圖詳細、豐富、美觀，可直觀查看運行效果

• 附帶詳細的說明文檔（下圖），其內容包括：算法原理+使用方法說明

?二、實際運行效果：

三、部分代碼：

clc;
clear;
warning off;
%% 導入數據
Data = table2array(readtable("數據集.xlsx"));
% 本例數據集中包含：
% 1. 總共357個樣本（每一行表示一個樣本）
% 2. 每個樣本12個特征值（即前12列每一列表示樣本的一個特征，即輸入的變量）
% 3. 每個樣本1個響應值（第13列為表示樣本的響應值，即被預測的變量）%% 劃分訓練集和測試集
Temp = randperm(size(Data,1)); % 打亂數據的順序，提升模型的泛化性。
InPut_num = 1:1:12; % 輸入特征的列數，數據表格中前12列為輸入值，因此設置為1:1:12，若前5個為輸入則設置為1:1:5
OutPut_num = 13; % 輸出響應列數，本例僅一個響應值，為數據表格中第13列，若多個響應值參照上行數據格式設置為x:1:y% 選取前327個樣本作為訓練集，后30個樣本作為測試集，即（1：327），和（328：end）
Train_InPut = Data(Temp(1:327),InPut_num); % 訓練輸入
Train_OutPut = Data(Temp(1:327),OutPut_num); % 訓練輸出
Test_InPut = Data(Temp(328:end),InPut_num); % 測試輸入
Test_OutPut = Data(Temp(328:end),OutPut_num); % 測試輸出%% 數據歸一化
% 將輸入特征數據歸一化到0-1之間
[~, Ps] = mapminmax([Train_InPut;Test_InPut]',0,1); 
Train_InPut = mapminmax('apply',Train_InPut',Ps);
Test_InPut = mapminmax('apply',Test_InPut',Ps);
% 輸出可不用歸一化，轉置后設置為分類變量即可
Train_OutPut = ind2vec(Train_OutPut');
Test_OutPut = ind2vec(Test_OutPut');

四、本文代碼+數據+說明手冊分享