基于斑馬優(yōu)化的BP神經(jīng)網(wǎng)絡（分類應用） - 附代碼

摘要：本文主要介紹如何用斑馬算法優(yōu)化BP神經(jīng)網(wǎng)絡，利用鳶尾花數(shù)據(jù)，做一個簡單的講解。

1.鳶尾花iris數(shù)據(jù)介紹

本案例利用matlab公用的iris鳶尾花數(shù)據(jù)，作為測試數(shù)據(jù)，iris數(shù)據(jù)是特征為4維，類別為3個類別。數(shù)據(jù)格式如下：

	特征1	特征2	特征3	類別
單組iris數(shù)據(jù)	5.3	2.1	1.2	1

3種類別用1，2，3表示。

2.數(shù)據(jù)集整理

iris數(shù)據(jù)總共包含150組數(shù)據(jù)，將其分為訓練集105組，測試集45組。如下表所示：

訓練集（組）	測試集（組）	總數(shù)據(jù)（組）
105	45	150

類別數(shù)據(jù)處理：原始數(shù)據(jù)類別用1，2，3表示為了方便神經(jīng)網(wǎng)絡訓練，類別1，2，3分別用1，0，0；0，1，0；0，0，1表示。

當進行數(shù)據(jù)訓練對所有輸入特征數(shù)據(jù)均進行歸一化處理。

3.斑馬優(yōu)化BP神經(jīng)網(wǎng)絡

3.1 BP神經(jīng)網(wǎng)絡參數(shù)設置

通常而言，利用智能算法一般優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值來改善BP神經(jīng)網(wǎng)絡的性能。本案例基于iris數(shù)據(jù)，由于iris數(shù)據(jù)維度不高，采用簡單的BP神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡參數(shù)如下：

圖1.神經(jīng)網(wǎng)絡結構

神經(jīng)網(wǎng)絡參數(shù)如下：

%創(chuàng)建神經(jīng)網(wǎng)絡
inputnum = 4;     %inputnum  輸入層節(jié)點數(shù) 4維特征
hiddennum = 10;     %hiddennum  隱含層節(jié)點數(shù)
outputnum = 3;     %outputnum  隱含層節(jié)點數(shù)
net = newff( minmax(input) , [hiddennum outputnum] , { 'logsig' 'purelin' } , 'traingdx' ) ;
%設置訓練參數(shù)
net.trainparam.show = 50 ;
net.trainparam.epochs = 200 ;
net.trainparam.goal = 0.01 ;
net.trainParam.lr = 0.01 ;

3.2 斑馬算法應用

斑馬算法原理請參考：https://blog.csdn.net/u011835903/article/details/130565746

斑馬算法的參數(shù)設置為：

popsize = 10;%種群數(shù)量Max_iteration = 15;%最大迭代次數(shù)
lb = -5;%權值閾值下邊界
ub = 5;%權值閾值上邊界
%  inputnum * hiddennum + hiddennum*outputnum 為閾值的個數(shù)
%  hiddennum + outputnum 為權值的個數(shù)
dim =  inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;%  inputnum * hiddennum + hiddennum*outputnum維度

這里需要注意的是，神經(jīng)網(wǎng)絡的閾值數(shù)量計算方式如下：

本網(wǎng)絡有2層：

第一層的閾值數(shù)量為：4*10 = 40； 即inputnum * hiddennum；

第一層的權值數(shù)量為：10；即hiddennum；

第二層的閾值數(shù)量為：3*10 = 30；即hiddenum * outputnum；

第二層權值數(shù)量為：3；即outputnum；

于是可知我們優(yōu)化的維度為：inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum = 83；

適應度函數(shù)值設定：

本文設置適應度函數(shù)如下：
$$fitness=argmin(TrainDataErrorRate+TestDataErrorRate)$$
其中TrainDataErrorRate，TestDataErrorRate分別為訓練集和測試集的錯誤分類率。適應度函數(shù)表明我們最終想得到的網(wǎng)絡是在測試集和訓練集上均可以得到較好結果的網(wǎng)絡。

4.測試結果：

從斑馬算法的收斂曲線可以看到，整體誤差是不斷下降的，說明斑馬算法起到了優(yōu)化的作用：

5.Matlab代碼