当前位置：首页 > news >正文

改进麻雀算法优化径向基神经网络回归预测建模：Matlab实战

news 2026/5/11 18:08:20

改进麻雀算法优化径向基神经网络回归预测建模程序内注释详细直接替换数据就可以使用。程序语言为matlab。多输入单输出，Excel数据，替换方便程序直接运行可以出训练集预测图、测试集预测图，迭代优化图等。计算误差各项指标MBE,MAE,RMSE,R^2,准确率，结果可视化

在数据预测领域，如何提升预测模型的准确性一直是大家关注的重点。今天咱就唠唠改进麻雀算法优化径向基神经网络（RBFNN）来实现回归预测建模，而且会给出超详细注释、能直接替换数据使用的Matlab程序。

为啥选改进麻雀算法优化RBFNN

径向基神经网络本身在处理非线性问题上就有不错的表现，但它的一些参数设置要是没调好，预测效果就大打折扣。而麻雀算法作为一种新兴的群智能优化算法，能够在参数空间中寻找最优解，对RBFNN的参数进行优化，从而提升预测性能。改进后的麻雀算法更是在收敛速度和寻优精度上有进一步提升。

Matlab程序实现

数据读取部分

% 读取Excel数据，这里假设数据文件名为'data.xlsx' data = xlsread('data.xlsx'); % 提取输入数据，假设前n-1列是输入特征 input_data = data(:, 1:end - 1); % 提取输出数据，假设最后一列是输出值 output_data = data(:, end);

这段代码很简单，用xlsread函数从Excel文件中读取数据，然后把前面几列作为输入数据，最后一列作为输出数据。这样我们就把Excel数据导入到Matlab里，方便后续处理。

划分训练集和测试集

% 按照80%的数据作为训练集，20%作为测试集 train_ratio = 0.8; train_num = round(size(input_data, 1) * train_ratio); train_input = input_data(1:train_num, :); train_output = output_data(1:train_num); test_input = input_data(train_num + 1:end, :); test_output = output_data(train_num + 1:end);

这里按比例划分训练集和测试集，round函数用来取整确定训练集数据个数，之后分别提取训练集和测试集的输入输出数据。这一步是为了训练模型和评估模型效果做准备。

改进麻雀算法优化RBFNN

这部分代码比较核心，麻雀算法要对RBFNN的中心、宽度和权值进行优化。

% 定义RBF神经网络参数 hidden_neurons = 10; % 隐藏层神经元个数 % 麻雀算法参数 pop_size = 30; % 种群大小 max_iter = 100; % 最大迭代次数 lb = [-10 * ones(1, hidden_neurons); -10 * ones(1, hidden_neurons); -10 * ones(1, 1)]; % 下限 ub = [10 * ones(1, hidden_neurons); 10 * ones(1, hidden_neurons); 10 * ones(1, 1)]; % 上限 % 调用改进麻雀算法优化RBFNN [best_params, fitness_curve] = improved_sparrow_algorithm(@rbfnn_fitness, pop_size, max_iter, lb, ub, train_input, train_output, hidden_neurons);

这里先定义了RBF神经网络隐藏层神经元个数，然后设置麻雀算法的种群大小、最大迭代次数，以及参数搜索范围的上下限。接着调用improvedsparrowalgorithm函数，这个函数里用改进麻雀算法去优化RBFNN，rbfnn_fitness是自定义的适应度函数，用来评估每次迭代中参数的好坏。

构建和训练优化后的RBFNN

% 从优化结果中提取中心、宽度和权值 centers = best_params(1:hidden_neurons); widths = best_params(hidden_neurons + 1:2 * hidden_neurons); weights = best_params(2 * hidden_neurons + 1); % 构建RBF神经网络 net = newrb(train_input', train_output', 0, 1e - 5, hidden_neurons); net.layers{1}.transferFcn = 'radbas'; net.layers{2}.transferFcn = 'purelin'; net.IW{1, 1} = repmat(1./ widths, [hidden_neurons, 1]).* (centers - train_input); net.LW{2, 1} = weights; % 训练网络 net = train(net, train_input', train_output');

从优化得到的最佳参数里提取中心、宽度和权值，然后构建RBF神经网络，设置好各层的传递函数，把优化后的参数赋给网络，最后训练网络。

预测及结果可视化

% 训练集预测 train_predict = sim(net, train_input'); % 测试集预测 test_predict = sim(net, test_input'); % 计算误差指标 mbe = mean(train_output - train_predict'); mae = mean(abs(train_output - train_predict')); rmse = sqrt(mean((train_output - train_predict').^2)); r2 = 1 - sum((train_output - train_predict').^2) / sum((train_output - mean(train_output)).^2); accuracy = 1 - mae / mean(abs(train_output)); % 训练集预测图 figure; plot(train_output, 'b', 'LineWidth', 1.5); hold on; plot(train_predict', 'r--', 'LineWidth', 1.5); legend('实际值', '预测值'); title('训练集预测图'); xlabel('样本序号'); ylabel('预测值'); % 测试集预测图 figure; plot(test_output, 'b', 'LineWidth', 1.5); hold on; plot(test_predict', 'r--', 'LineWidth', 1.5); legend('实际值', '预测值'); title('测试集预测图'); xlabel('样本序号'); ylabel('预测值'); % 迭代优化图 figure; plot(fitness_curve, 'b', 'LineWidth', 1.5); title('迭代优化图'); xlabel('迭代次数'); ylabel('适应度值');

分别对训练集和测试集进行预测，然后计算平均偏差误差（MBE）、平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R^2）和准确率这些误差指标。之后用figure函数分别画出训练集预测图、测试集预测图和迭代优化图，这样能直观看到预测效果和算法的优化过程。