【BP预测】基于布谷鸟算法优化BP神经网络数据回归预测含Matlab源码

 1 简介

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖。

​

编辑

​

编辑

​

编辑

​

编辑

​

编辑

​

编辑

​

编辑

​

编辑

2 部分代码

clc
clear
%读取数据
load data
z=data';
n=length(z);
for i=1:6;
sample(i,:)=z(i:i+n-6);
end
%训练数据和预测数据
input_train=sample(1:5,1:1400);
output_train=sample(6,1:1400);
input_test=sample(1:5,1401:1483);
output_test=sample(6,1401:1483);
%节点个数
inputnum=5;
hiddennum=3;
outputnum=1;
n=25;
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%构建网络
net=newff(inputn,outputn,hiddennum);
[bestnest,fmin]=cuckoo_search(n,inputnum,hiddennum,outputnum,net,inputn,outputn);
fmin
x=bestnest;
%% BP网络预测
%数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_test
E=mean(abs(error./output_test))
plot(output_test,'g*')
hold on;
plot(test_simu,'-o')
title('布谷鸟算法优化BP神经网络实际值和预测值对比','fontsize',10)
legend('实际值','预测值')
xlabel('时间')
ylabel('比较值')

3 仿真结果

​

编辑

4 参考文献

[1]孙晨, 李阳, 李晓戈, et al. 基于布谷鸟算法优化BP神经网络模型的股价预测[J]. 计算机应用与软件, 2016, 33(2):4.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。