198种组合算法+双重优化BP神经网络+SHAP分析+新数据预测！机器学习可解释分析，粉丝必备！

代码主要功能

该Matlab代码实现了一个198种组合算法双重优化的BP神经网络回归模型，结合特征贡献度分析（SHAP）和新数据预测功能。核心功能包括：

1. 双重参数优化：先用智能算法（以chebyshev映射改进SSA麻雀算法为例）优化隐藏层神经元数量和学习率，再用智能算法（以chebyshev映射改进PSO粒子群算法为例）优化权重/偏置初始值
2. 特征贡献分析：通过SHAP值量化各输入特征对输出的影响
3. 多维度评估：提供RMSE、R²、MAE等指标对比及可视化
4. 一站式流程：数据预处理 → 模型优化 → 训练预测 → 结果解释 → 新数据预测

其中：代码采用9种映射方法选择种群初始值,改进22种智能算法

9种映射方法包括
1.tent 映射
2.chebyshev 映射
3.singer 映射
4.logistic 映射
5.sine 映射
6.circle 映射
7.立方映射
8.Hénon 映射
9.广义Logistic映射

22种智能算法包括：
1.PSO 粒子群
2.SSA 麻雀
3.ZOA 斑马
4.WOA 鲸鱼群
5.WSO 白鲨
6.GWO 灰狼
7.GA 遗传算法
8.C_PSO 横向交叉粒子群
9.COA 小龙虾
10.DA 蜻蜓
11.IGWO 改进灰狼
12.SMA 黏菌
13.RIME 雾凇/霜冰
14.NRBO 牛顿-拉夫逊优化算法
15.CPO 冠豪猪
16.DBO 蜣螂
17.E-WOA 改进鲸鱼群
18.FSA 火焰鸟
19.GEO 金鹰
20.GoldSA 黄金正弦
21.LVY 常青藤
22.KOA 开普勒

以上共计9*22=198种智能算法组合。

算法步骤

1. 数据预处理

   • 导入Excel数据（回归数据.xlsx）
   • 归一化特征/标签（mapminmax）
   • 按7:3划分训练/测试集（可选随机打乱）

2. 第一段优化（以SSA为例）

   • 优化目标：隐藏层神经元数 + 学习率
   • 搜索空间：

     lb1 = [floor(sqrt(inp+put)), 0];   % 神经元下限, 学习率下限
     ub1 = [10+ceil(sqrt(inp+put)), 0.1]; % 神经元上限, 学习率上限
     

   • 输出：最优神经元数 besthiddens、学习率 bestlearn

3. 第二段优化（以PSO为例）

   • 优化目标：权重矩阵(Ⅰ/Ⅱ) + 偏置向量(Ⅰ/Ⅱ)
   • 变量维度：inp*besthiddens + besthiddens + besthiddens*put + put
   • 输出：最优初始参数 gBest2

4. 模型构建与训练

   • 使用优化参数初始化BP网络
   • 设置双曲正切隐藏层 + 线性输出层
   • 训练1000轮（目标误差1e-6）

5. 预测与评估

   • 反归一化预测结果
   • 对比优化/未优化模型的：
     • 预测曲线图
     • 百分比误差图
     • 线性拟合图
     • 雷达图（RMSE/R²/MAE）

6. SHAP特征分析

   • 基于测试集计算Shapley值
   • 生成三种可视化：
     • 特征重要性条形图
     • 特征效应散点图
     • 摘要图（特征影响方向）

7. 新数据预测

   • 加载新的多输入.xlsx
   • 自动应用相同归一化参数
   • 输出预测结果到新的输出.xlsx

技术路线

关键参数设定

运行环境要求

1. MATLAB版本：R2020b及以上
2. 必要工具箱：
   • Deep Learning Toolbox
   • Optimization Toolbox
   • Parallel Computing Toolbox（可选，加速SHAP计算）
3. 依赖文件：
   • OA_ToolBox\（智能算法实现）
   • spider_plot\（雷达图绘制）
   • 自定义函数
4. 数据格式：Excel文件（特征列+标签列）

应用场景

1. 科研论文：提供完整的优化-评估-解释流程，可直接生成论文图表
2. 数模比赛：适用于数学建模比赛的回归问题
3. 工业预测：如：
   • 设备寿命预测
   • 金融风险评估
   • 销售量预测
4. 特征工程：通过SHAP分析识别关键特征
5. 算法对比：验证智能优化算法对传统BP网络的改进效果

注意：代码中使用的混沌映射（Chebyshev）可增强优化算法的全局搜索能力，避免早熟收敛。SHAP分析部分需确保特征名称（featureNames）与实际数据匹配。

部分源码

X = res(:,1:end-1);  %输入特征
Y = res(:,end);  %输出
%计算输入和输出维度
inp = size(X,2);  %输入特征数
put = size(Y,2);  %输出个数
%%  数据归一化 索引
X = res(:,1:inp);  %输入特征
Y = res(:,end-put+1:end);  %输出
[x,psin]= mapminmax(X', 0, 1);
%保留归一化后相关参数
[y, psout] = mapminmax(Y', 0, 1);
%%  划分训练集和测试集
num = size(res,1);%总样本数
k = input('是否打乱样本(是：1，否：0)：');
if k == 0
   state = 1:num; %不打乱样本
else
   state = randperm(num); %打乱样本
end
ratio = 0.7; %训练集占比
trainnum = floor(num*ratio);
testnum = num-trainnum;
%取出训练集的x,y
x_train = x(:,state(1: trainnum));
y_train = y(:,state(1: trainnum));
%取出测试集的x,y
x_test = x(:,state(trainnum+1: end));
y_test = y(:,state(trainnum+1: end));
%% 智能优化算法的初始值
% label=1 对应 tent 映射  
% label=2 对应 chebyshev 映射  
% label=3 对应 singer 映射  
% label=4 对应 logistic 映射  
% label=5 对应 sine 映射  
% label=6 对应 circle 映射
% label=7 对应 立方映射
% label=8 对应 Hénon 映射
% label=9 对应广义Logistic映射
% 如果label不是1-9之间的整数，则默认生成随机矩阵 
label = 2;  %自行指定
%%  第一步优化隐藏层神经元个数、学习率
%调用算法,两个变量：x1为神经元个数,x2为学习率
N1=10; %种群数
Max_iteration1 = 30; %迭代次数
%神经元个数范围,floor(sqrt(inp+put))~10+ceil(sqrt(inp+put))，可以自行改变
%学习率范围0-0.1，可以自行改变
lb1=[floor(sqrt(inp+put)) 0];%下限值
ub1=[10+ceil(sqrt(inp+put)) 0.1];%上限值
dim1=2; %2个变量，神经元个数、学习率
disp('第一步SSA优化隐藏层神经元个数、学习率')
[gBestScore1,gBest1,cg_curve1]=SSA(N1,Max_iteration1,lb1,ub1,dim1,fitness1,label);
%gbest为最优参数（对应误差最小情况时神经元、学习率）
besthiddens = round(gBest1(1));
bestlearn = gBest1(2);
%迭代曲线1
figure
plot(cg_curve1,'->','LineWidth',2,Color=[200,68,94]./255)
% 添加图例，并设置字体大小  
legend('SSA','FontSize',10); 
% 设置 x 轴和 y 轴的标签，并设置字体大小  
xlabel('迭代次数','FontSize',12); 
ylabel('rmse误差','FontSize',12);
title('SSA优化神经元与学习率','FontSize',12)
% 显示网格（可选）  
grid on; 
%%  第二步优化权重、偏置初始值
disp('-------------------------------')%分割线
disp('第二步PSO优化权重、偏置初始值')

N2=10; %种群数
Max_iteration2 = 30; %迭代次数
%神经元个数范围,floor(sqrt(inp+put))~10+ceil(sqrt(inp+put))，可以自行改变
%学习率范围0-0.1，可以自行改变
lb2=-1;%下限值
ub2=1;%上限值
dim2=inp * besthiddens + besthiddens + besthiddens * put + put; %变量个数
[gBestScore2,gBest2,cg_curve2]=PSO(N2,Max_iteration2,lb2,ub2,dim2,fitness2,label);
%迭代曲线2
figure
plot(cg_curve2,'-*','LineWidth',1,Color=[233,122,94]./255)
% 添加图例，并设置字体大小  
legend('PSO','FontSize',10); 
% 设置 x 轴和 y 轴的标签，并设置字体大小  
xlabel('迭代次数','FontSize',12); 
ylabel('rmse误差','FontSize',12);
title('PSO优化权重与偏置初始值','FontSize',12)
% 显示网格（可选）  
grid on; 

数据集

数据集（训练和测试数据）

数据集（新数据输入）

代码获取私信回复198种组合算法+双重优化BP神经网络+SHAP分析+新数据预测！机器学习可解释分析，粉丝必备！