数学建模社区-数学中国
标题:
BP神经网络预测遇到一个疑问，麻烦过来看看
[打印本页]
作者:
数学不烦
时间:
2013-9-8 17:22
标题:
BP神经网络预测遇到一个疑问，麻烦过来看看
本帖最后由 数学不烦 于 2013-9-9 21:56 编辑
; e- `9 H: L" |+ P, g$ D9 G
- ]. \9 T' S5 _5 @7 j
各位朋友，有一个问题请教你们。 我用BP神经网络做预测的时候（下面是我的代码）遇到一个问题。 首先我尝试在代码里面不把数据归一化，这样的出来的结果很差（R=0.46）.但我把数据作归一化 与 反归一化 之后 确实R提高了很多（R=0.99），这时问题就来了，请看最下面的测试结果代码，那里只有输入（没有输出，因为是预测），premnmx 归一化要有输出的变量T，但我只有输入数据，没有输出数据，因此反归一的结果（最后的预测结果）也无法做到。那么我的预测就不是做不了吗？ 很纠结，查了很多资料了，还是不知道怎么解决。
) }/ f' z2 U _! T1 T' l
国赛准备到了，希望热心的朋友懂的不吝赐教，我把问题写得很认真，希望各位能帮我解决这个问题，谢谢了。
% k, I6 v! r) Y$ v% W$ X; o$ J% y# J
4 U0 k( B2 O: F* o5 f/ V
clear
, G. C2 \3 {/ }* {" o/ m
clc
' W W' @! b' i- k' p R
%输入数据--以一列作为一个输入数据
( X$ X( J8 b) R. [% E { D2 K
x1=[227.5 286.9 236.3 300.6 243.0];
) j! j- X8 k$ d8 P* o- f0 Z0 p
x2=[286.9 236.3 300.6 243.0 354.1];
0 g( p0 L; U& m8 u
x3=[236.3 300.6 243.0 354.1 294.1];
! `/ }8 O' B; I
x4=[300.6 243.0 354.1 294.1 361.4];
; I# E5 i' T, ~
x5=[243.0 354.1 294.1 361.4 333.7];
5 S! F7 d6 [- G
x6=[354.1 294.1 361.4 333.7 426.4];
' ^# J- L' Q) j7 p& U2 L; f
x7=[294.1 361.4 333.7 426.4 434.4];
* X* i' ]* ~/ H# I! G$ G0 j1 A! a$ S
x8=[361.4 333.7 426.4 434.4 449.9];
- o- T; U1 {& |6 {/ _% T8 n
x9=[333.7 426.4 434.4 449.9 431.9];
u% N9 }. m" B
+ O; X5 W; V6 Q- @ I8 E6 b
P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
: o1 d/ u* S# _ `3 R
%输出数据--以一列作为一个输出数据
; X( Y: c/ m D- F. }4 Y+ P
y1=[354.1 294.1 361.4 333.7 426.4];
2 t2 J! v- C5 U+ J% d/ ^9 \, a* @8 e2 R
y2=[294.1 361.4 333.7 426.4 434.4];
( e: Y+ p5 H8 r2 j! Y' b5 ?% G6 A& s
y3=[361.4 333.7 426.4 434.4 449.9];
' _' P4 Y$ F8 @; A
y4=[333.7 426.4 434.4 449.9 431.9];
4 K( P. r. p1 } h, F
y5=[426.4 434.4 449.9 431.9 454.0];
" z' j4 `! W& [+ T
y6=[434.4 449.9 431.9 454.0 655.6];
. f, J' `- Y: A W
y7=[449.9 431.9 454.0 655.6 907.0];
1 R) h! J% b3 w
y8=[431.9 454.0 655.6 907.0 1112.5];
) {; u' h, x7 j' s7 Q3 Z
y9=[454.0 655.6 907.0 1112.5 1401.1];
. y0 @" e2 s6 P0 J% A4 L, p% l
* k- L- R+ x. V/ r; A' ]
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
( N- c, M) H4 q+ B
5 k" W: B' n2 G+ |
%归一化
& x3 `* s7 X) { S1 i# k- ]( N9 r9 P
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
7 t! n$ Y$ S( J7 p
%建立网络
7 v6 c) ~+ y* ^" B# K( o$ \
%其中[10,3]代表有一个隐含层，里面有10个神经元；“3”代表有三个输出数据
2 X; J, x5 H0 `6 p3 V9 Q* r! x# X" q
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
7 u; t, K* x+ R# b$ ?$ p7 c, |5 r4 L
%'traingdm' 表示调整权重，缩小误差的数学函数
+ o: G- |* d! Q8 w: H, g
%↓创建一个新的前向神经网络
6 K# S0 l: t. X0 N2 ^6 d, `& m. C
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
4 w( ]. M, ~. l0 p% @
% q3 W; t0 I0 z
% 当前输入层权值和阈值
: L% Q4 `! G+ V4 V, G n+ G
inputWeights = net.IW(1,1)
- g+ x r9 P, z C% ^5 ~- \
inputbias = net.b(1)
1 S( m% Q1 S# Z2 s: }# j+ A) m0 G# }
' t) N& G' ^6 q- z
% 当前网络层权值和阈值
# a: |, T3 @3 j1 i( E$ L& E* N
layerWeights = net.LW(2,1)
$ T! e! P4 n D9 ?: ^. m
layerbias = net.b(2)
- b9 H/ s4 G4 `* ?* V4 E `
9 S. c$ S$ ^5 p8 o
% 设置训练参数
7 T2 w9 f" z7 |! ~& B
net.trainParam.show = 50;
7 v3 |6 k) H0 a6 Y
net.trainParam.lr = 0.05;
- A$ S' r2 D3 Y% o' ?4 f
net.trainParam.mc = 0.9;
' x: d% u! b# U5 l ~) e: g; [: H
net.trainParam.epochs = 10000; %每计算10000次出一次结果
* r3 f0 P) T% w3 B! Q
net.trainParam.goal = 1e-6; %期望达到的误差（认为是合适的误差）
" F2 A: U& M2 U% G, {
' ~, R; Z0 z' g% i
% 调用 TRAINGDM 算法训练 BP 网络
+ V3 S. ^2 O/ i; u
[net,tr] = train(net,P,T);
+ T9 C |2 K; a( O: d- C
; ~5 _* S5 H* z" x* q
% 对 BP 网络进行仿真
7 B2 w' K" N$ Y& Y% ]' U, T5 k, y
A = sim(net,P); %A为输出结果
( z9 m1 e! e. H4 G7 h( u/ z+ Q
$ ^2 H/ H1 g* B- Y9 F& k
%反归一化
. Q6 l* Q3 i+ {; f, s% m6 o9 f
% A = postmnmx(A,mint,maxt);
( z' F8 b) ]* U2 }. U0 _
; `( [- x" o; h8 b
% 计算仿真误差
$ u/ }! E2 k0 |- z; o
E = T-A; %原来的输出 - 训练输出 = 误差
( v& N$ X) M9 y2 ?" I |, r3 N7 {
MSE = mse(E) %输出误差
. m m/ @ r: k8 ]& }0 C. k
7 k- {* D; @4 O/ y( ?
%下面是输入数据，测试结果
# ^" e& t( g+ A& d( D" u3 o/ t3 D- y
x=[454.0 655.6 907.0 1112.5 1401.1]';
7 d5 Q( [1 l! J, {
Y = sim(net,x)
4 j; [+ t2 l- c4 p1 b' z+ r
作者:
magic2728
时间:
2013-9-9 13:06
要进行预测，必须有对应的新的输入量，你的在哪里？
作者:
kaito1412
时间:
2013-9-9 18:51
用mapminmax可以对P,T分别归一化
作者:
狼之魂汪洋
时间:
2014-8-11 09:51
不知道你最后是怎么解决的，感觉你最后预测的时候没有把输入数据进行归一化，即要对x进行归一化，再对y进行反归一化，这是我的看法，不知道对不对
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5