admin 管理员组

文章数量: 1087677

基于MIV的神经网络变量筛选

基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选

%% 清空环境变量
clc
clear
%% 产生输入 输出数据% 设置步长
interval=0.01;% 产生x1 x2
x1=-1.5:interval:1.5;
x2=-1.5:interval:1.5;% 产生x3 x4（噪声）
x=rand(1,301);
x3=(x-0.5)*1.5*2;
x4=(x-0.5)*1.5*2;% 按照函数先求得相应的函数值，作为网络的输出。
F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);%设置网络输入输出值
p=[x1;x2;x3;x4];
t=F;%% 变量筛选 MIV算法的初步实现（增加或者减少自变量）p=p';
[m,n]=size(p);
yy_temp=p;% p_increase为增加10%的矩阵 p_decrease为减少10%的矩阵
for i=1:np=yy_temp;pX=p(:,i);pa=pX*1.1;p(:,i)=pa;aa=['p_increase'  int2str(i) '=p;'];eval(aa);
endfor i=1:np=yy_temp;pX=p(:,i);pa=pX*0.9;p(:,i)=pa;aa=['p_decrease' int2str(i) '=p;'];eval(aa);
end%% 利用原始数据训练一个正确的神经网络
nntwarn off;
p=yy_temp;
p=p';
% bp网络建立
net=newff(minmax(p),[8,1],{'tansig','purelin'},'traingdm');
% 初始化bp网络
net=init(net);
% 网络训练参数设置
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=2000;% bp网络训练
net=train(net,p,t);%% 变量筛选 MIV算法的后续实现（差值计算）% 转置后simfor i=1:neval(['p_increase',num2str(i),'=transpose(p_increase',num2str(i),');'])
endfor i=1:neval(['p_decrease',num2str(i),'=transpose(p_decrease',num2str(i),');'])
end% result_in为增加10%后的输出 result_de为减少10%后的输出
for i=1:neval(['result_in',num2str(i),'=sim(net,','p_increase',num2str(i),');'])
endfor i=1:neval(['result_de',num2str(i),'=sim(net,','p_decrease',num2str(i),');'])
endfor i=1:neval(['result_in',num2str(i),'=transpose(result_in',num2str(i),');'])
endfor i=1:neval(['result_de',num2str(i),'=transpose(result_de',num2str(i),');'])
end

输出


MIV_1 =1.8008MIV_2 =0.7467MIV_3 =0.0024MIV_4 =-0.0043

完毕

本文标签： 基于MIV的神经网络变量筛选

版权声明：本文标题：基于MIV的神经网络变量筛选 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/p/1700371380a417957.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。