人工水母搜索算法优化BP神经网络（JSBP）实现数据预测 ...
人工水母搜索算法优化BP神经网络（JSBP）实现数据预测原理讲解和代码效果展示的完整讲解视频（时长33分钟）地址：人工水母搜索优化BP神经网络（JSBP）实现数据预测原理详细讲解和代码效果展示（全网最全代码与公式一一对应）_哔哩哔哩_bilibili人工水母搜索算法优化BP神经网络（JSBP）实现数据预测的Matlab代码提取地址： 正在为您运送作品详情
Matlab代码运行效果图：
人工水母搜索算法优化BP神经网络（JSBP）说明
1. BP神经网络的算法原理及主要应用
F(W’11*f(w11*x1+sita1+w21*x2+sita1+w31*x3+sita1+w41*x4+sita1)
JS的个体编码（权重和阈值）
示意图：
（1）信号向前传递的过程
假设隐含层的第i个神经元节点上输入neti的值，其表达式（2.1）：
(2.1)
隐含层的第i个神经元节点的输出
，其表达式（2.2）：
(2.2)
选用logsig函数作为神经网络隐含层的传递函数，其表达式 (2.3)：
(2.3)
选用pureline型函数作为神经网络输出层的传递函数，其表达式(2.4)：
(2.4)
输出层第k个神经元节点的输入
的值，其表达式（2.5）：
(2.5)
输出层第k个神经元节点的输出
其表达式（2.6）：
(2.6)
（2）误差反向传播过程
神经网络在训练时，误差的反向传播过程，其实就是用训练模型的输出层上所有神经元的值减去实际值获得误差值，在通过反向传播来不断地调整权值和阈值。通过求得的误差，对各层神经元权值及阈值的偏导数方向和大小进行修正，一直到误差达到我们预设的条件为止，训练结束。
根据总误差函数，对于数据m的误差函数
，其表达式（2.7）：
(2.7)
样本中有p个训练数据组，总误差函数
，其表达式（2.8）：
(2.8)
根据修改的连接参数值，整理获得系统输出层与隐含层之间的权值
连接参数，其表达式（2.9）：
(2.9)
输出层神经元节点上的阈值
的变化量，其表达式（2.10）：
(2.10)
隐含层与输入层之间的权值
的变化量，其表达式（2.11）：
(2.11)
隐含层各神经元节点的阈值
的变化量，其表达式（2.12）：
(2.12)
其中：
(2.13)
(2.14)
(2.15)
(2.16)
(2.17)
(2.18)
(2.19)
(2.20)
通过最后整理得到了输入层、输出层所对应修正后的权值和阈值：
(2.21)
(2.22)
(2.23)
(2.24)
式中：
为输入层第j个神经元节点到隐含层第i个神经元节点之间的权值；x 、y 分别为节点的输入量和节点的输出量；
为隐含层第i个神经元节点到输出层第k个神经元节点之间的权值；
为输入层第j个神经元节点的输入；i为隐含层第i个神经元节点的阈值；
为隐含层的传递函数；
为输出层第k个神经元节点的阈值；
为输出层传递函数；
为输出层第k个神经元节点的输出。
人工水母搜索算法（JS）的原理
算法来源与提出：
人工水母搜索算法（artificial Jellyfish Search (JS) optimizer）是于2020年提出的一种基于新型优化算法。具有寻优能力强，收敛速度快等特点。
算法的生物学原理：
人工水母搜索算法模拟水母的搜寻行为，涉及到它们跟随洋流，它们在水母群中的运动(主动运动和被动运动)，这些运动之间切换的时间控制机制，以及它们汇聚成水母簇的过程。
算法的两个假设：
算法中，存在以上两种假定：水母要么跟随洋流，要么在群体内部移动，而“时间控制机制”控制着这些移动类型之间的转换。水母在海洋中移动寻找食物。
1. 营养流：
洋流含有大量的营养物质，所以水母被吸引过来。洋流的方向是由海洋中每只水母向目前位于最佳位置的水母的所有向量的平均值决定的，水母的平均位置：
（1.1）
目前单个水母和整个种群水母的平均位置差异公式：
（1.2）
上式中e为控制吸引力的因子。e的数学表达如下：
（1.3）
由上述的公式1.2和1.3可以得出：
（1.4）
每只水母位置的变化趋势：
（1.5）
上述等式中
为水母种群的最佳位置。
每只水母的位置更新公式是：
（1.6）
即：
（1.7）
上式中
，为分配系数。
1.2 水母群
水母群中有两种水母，A型水母和B型水母。
A型水母绕自己的位置移动，其位置更新公式为：
（1.8）
为运动系数这里取0.1
B型水母的位置更新比较复杂，具体公式如下：
（1.9）
即：
（1.10）
另外：
（1.11）
（1.12）
1.3 种群代数
（1.13）
页:
[1]