1模型相对于BP神经网络预测模型，针对收敛速度慢、精度低、易陷入局部极小值等缺点，提出了粒子群优化BP神经网络预测模型的算法。 在该算法中，粒子群优化BP神经网络预测模型的初始权重和阈值，然后训练BP神经网络预测模型进行预测。 将该算法应用于几种典型的混沌时间序列预测。 实验结果表明，该算法明显提高了BP神经网络预测模型的收敛
1.1 BP神经网络
1.2粒子群算法
2部分代码%% PSO-BP神经网络
%%空环境
清除全部；
关闭全部；
clc；
data=xlsread('test.xlsx '，' Sheet1'，' A2:G46 ' )； %读取数据
[M，nn]=size(data )； %M是样本数，n是变量数
inputn=data (:1: nn-1 )； %培训示例输入
outputn=data(:NN )； %训练样本输出
%节点数
输入编号=nn-1； %输入个数
隐藏编号=12； %隐藏图层
outputnum=1； %输出个数
%构建网络
net=newff(inputn、outputn、hiddennum )；
tic
%%粒子群
numWolf=60；
limit=[-10，10； ]； %设置位置参数限制(矩阵格式可以是多维的) ) )。
v limit=[-0.01，0.01； ]； 设定%速度限制
c_1=0.8； %惯性权重
c_2=0.5； %自我学习因子
c_3=0.5； %组学习因子
n=input num * hiddennumhiddennumhiddennum * outputnumoutputnum；
x=Zeros(numwolf，n )；
%初始化种群
for i=1:numWolf
x(I， )=rands(1，n )；
%fitness(I )=fun(x ) I， )、inputnum、hiddennum、outputnum、net、inputn、outputn )；
结束
% [xm，leadwolf]=min(fitness )；
%ym=x(leadwolf， )；
% globalMin=xm；
v=0.1*rand(numwolf，n )； %初始种群速度
xm=x； %每个个体的历史最高位置
ym=Zeros(1，n )； %种群历史上最好的位置
FXM=100000*Ones(numwolf，1 )； 每个%个体的历史最佳适应度
fym=100000； %种群的历史最优适应度
%%粒子群的功能
iter=1；
结束
时间=TOC；
DISP([ '使用时='，num2str(time ) ]
X=ym；
%% BP网络培训
%网络进化参数
net.trainParam.epochs=2000； %bp神经网络的代数
net.trainParam.lr=0.1；
%net.trainParam.goal=0.00001；
%互联网培训
[net，per2]=train(net，inputn，outputn )；
%% BP网络预测
% loaddatainputn _ test output _ test
inputn_test=inputn； %测试数据输入
output_test=outputn； %测试数据输出
an=sim(net，inputn_test )； %预测
error=(an-output_test； %误差
error_Xiangdui=(an-output_test )./output_test； %相对误差
figure(1)。
plot(error_Xiangdui，' ko-' )
ylabel (相对误差值) )。
title (《粒子群优化BP神经网络》
figure(2)。
打印(错误，' ro-' ) )。
ylabel (误差值) ) ) ) ) )。
title (《粒子群优化BP神经网络》
是figure(3)
plot(output_test，' r -'；
保持接通；
打印(An，' b * -' )。
霍尔德关闭
legend (“真值”、“预测值”)；
title (《粒子群优化BP神经网络》
figure(4)。
是打印(record )
xlabel (“迭代次数”) )。
ylabel (平均值) ) ) )。
3模拟结果
4参考文献[1]大虾，lmdlq，rxdxh. PSO优化BP神经网络的混沌时间序列预测[J] .计算机工程与应用，2015，51 (2) :224-229 .