【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

个人主页:Matlab科研工作室

个人信条:格物致知。

更多Matlab仿真内容点击

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第1张图片

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第2张图片

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第3张图片

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第4张图片

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型.通过分析各模型函数的特征,建立了光伏发电模型的功率预测.传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度.DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点.DBN参数采用粒子群优化算法(PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能.最后,案例测试显示了所提出模型的有效性.

⛄ 部分代码

function  [particle,GlobalBest] = PSO2(particle,GlobalBest,Params,CostFunction)

nPop = Params.nPop;

VarMin = Params.VarMin;

VarMax = Params.VarMax;

VarSize = Params.VarSize;

MaxIter = Params.MaxIter;

BestCost = zeros(1,MaxIter);

%% PSO Parameters

w=1;            % Inertia Weight

wdamp=0.99999;     % Inertia Weight Damping Ratio

c1=1.0001;         % Personal Learning Coefficient

c2=1.00005;         % Global Learning Coefficient

% Velocity Limits

VelMax=0.1*(VarMax-VarMin);

VelMin=-VelMax;

%% PSO Main Loop

for it=1:MaxIter

    

    for i=1:nPop

        

        % Update Velocity

        particle(i).Velocity = w*particle(i).Velocity ...

            +c1*rand(VarSize).*(particle(i).Best.Position-particle(i).Position) ...

            +c2*rand(VarSize).*(GlobalBest.Position-particle(i).Position);

        

        % Apply Velocity Limits

        particle(i).Velocity = max(particle(i).Velocity,VelMin);

        particle(i).Velocity = min(particle(i).Velocity,VelMax);

        

        % Update Position

        particle(i).Position = particle(i).Position + particle(i).Velocity;

        

        % Velocity Mirror Effect

        IsOutside=(particle(i).PositionVarMax);

        particle(i).Velocity(IsOutside)=-particle(i).Velocity(IsOutside);

        

        % Apply Position Limits

        particle(i).Position = max(particle(i).Position,VarMin);

        particle(i).Position = min(particle(i).Position,VarMax);

        

        % Evaluation

        particle(i).Cost = CostFunction(particle(i).Position);

        

        % Update Personal Best

        if particle(i).Cost

            

            particle(i).Best.Position=particle(i).Position;

            particle(i).Best.Cost=particle(i).Cost;

            

            % Update Global Best

            if particle(i).Best.Cost

                

                GlobalBest=particle(i).Best;

                

            end

            

        end

        

    end

    

    BestCost(it)=GlobalBest.Cost;

    

    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);

    

    w=w*wdamp;

    

end

% BestSol = GlobalBest;

%% Results

figure;

%plot(BestCost,'LineWidth',2);

semilogy(BestCost,'LineWidth',2);

xlabel('Iteration');

ylabel('Best Cost');

grid on;

end

⛄ 运行结果

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第5张图片

【DBN分类】基于粒子群算法优化深度置信网络PSO-DBN实现数据分类附matlab代码_第6张图片

⛄ 参考文献

[1]吴涛. 基于PSO优化VMD和深度信念网络的滚动轴承故障诊断研究. 

[2]王新颖, 赵斌, 张瑞程,等. 基于IPSO-DBN的管道故障诊断方法[J]. 消防科学与技术, 2021, 040(002):263-267.

⛄ Matlab代码关注

❤️部分理论引用网络文献,若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

你可能感兴趣的:(预测模型,matlab,算法,分类)