1 简介
锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖。
2 部分代码
clcclear%读取数据load dataz=data';n=length(z);for i=1:6;sample(i,:)=z(i:i+n-6);end%训练数据和预测数据input_train=sample(1:5,1:1400);output_train=sample(6,1:1400);input_test=sample(1:5,1401:1483);output_test=sample(6,1401:1483);%节点个数inputnum=5;hiddennum=3;outputnum=1;n=25;%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%构建网络net=newff(inputn,outputn,hiddennum);[bestnest,fmin]=cuckoo_search(n,inputnum,hiddennum,outputnum,net,inputn,outputn);fminx=bestnest;%% BP网络预测%数据归一化inputn_test=mapminmax('apply',input_test,inputps);an=sim(net,inputn_test);test_simu=mapminmax('reverse',an,outputps);error=test_simu-output_testE=mean(abs(error./output_test))plot(output_test,'g*')hold on;plot(test_simu,'-o')title('布谷鸟算法优化BP神经网络实际值和预测值对比','fontsize',10)legend('实际值','预测值')xlabel('时间')ylabel('比较值')
3 仿真结果
4 参考文献
[1]孙晨, 李阳, 李晓戈, et al. 基于布谷鸟算法优化BP神经网络模型的股价预测[J]. 计算机应用与软件, , 33(2):4.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
