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
: s9 j/ T4 ^6 l3 c. q2 l
9 z: d5 r& v I1 K; e9 H/ E6 W- {
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。
& Z: ?2 {' E9 `8 t7 T( N5 m
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。
# i2 t2 h2 h% f* W# ]' }9 m$ r
7 v6 t" t" c) ^! x
clear
2 `: b6 P- O; i% S3 |4 f- Z
clc
* Y1 D! X }, ^$ _
%输入数据--以一列作为一个输入数据
A* Y# n7 B7 |
x1=[227.5 286.9 236.3 300.6 243.0];
" w$ O* l# m* T: ?- Z' g9 v d
x2=[286.9 236.3 300.6 243.0 354.1];
9 H) R9 s1 m. e4 L E1 V
x3=[236.3 300.6 243.0 354.1 294.1];
- H5 C# `; R. v' O w. k$ Y" ]' X
x4=[300.6 243.0 354.1 294.1 361.4];
; X% l3 \0 |) O' g) H+ K- B
x5=[243.0 354.1 294.1 361.4 333.7];
4 u3 |* i+ F6 p* Z8 ~7 T! C
x6=[354.1 294.1 361.4 333.7 426.4];
) Y, C& Q* z7 b7 w& G, @
x7=[294.1 361.4 333.7 426.4 434.4];
3 N/ `3 n( P ~; T) t
x8=[361.4 333.7 426.4 434.4 449.9];
1 K* I# L1 O$ r- n. D4 E" F
x9=[333.7 426.4 434.4 449.9 431.9];
' ?: Y! n/ t. z- u* h5 Q( a% Q" b+ p
" \7 z6 N& M" b- C+ M% R
P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
& [; R! k3 n U4 D& r
%输出数据--以一列作为一个输出数据
- v6 H2 S! V/ T2 U- m
y1=[354.1 294.1 361.4 333.7 426.4];
5 v4 M, F/ a, q
y2=[294.1 361.4 333.7 426.4 434.4];
7 K( A* o! f5 N) H
y3=[361.4 333.7 426.4 434.4 449.9];
8 J2 }4 H1 A8 a X" o2 X3 |+ q
y4=[333.7 426.4 434.4 449.9 431.9];
1 {7 l) C: e- l6 T: ]7 c# p
y5=[426.4 434.4 449.9 431.9 454.0];
) ^. h& c- m5 T8 V4 Q+ K1 T
y6=[434.4 449.9 431.9 454.0 655.6];
9 h4 t/ j9 c! o
y7=[449.9 431.9 454.0 655.6 907.0];
+ S2 S( C# \3 |! O! o! w0 w# @
y8=[431.9 454.0 655.6 907.0 1112.5];
& V$ y% d# n+ ^/ U" {
y9=[454.0 655.6 907.0 1112.5 1401.1];
4 L3 g$ I3 k6 \# }) ]8 ]! l# x2 G- S- Z9 e
- a# o' p- U5 q* x- t7 x
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
5 K) j1 r( v8 a$ }. s
* O2 l( A2 U% F% F/ T
%归一化
- \# H& _; ~; `, m& ~
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
3 d4 m6 F8 c; Q( q* t i% i
%建立网络
* D, P4 ?5 w g6 v- u
%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
* e% z0 N) n4 k' e7 g; N
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
9 }) j6 w E, w- s# _4 l
%'traingdm' 表示调整权重，缩小误差的数学函数
" i O5 j* F9 {- `/ e) P7 |
%↓创建一个新的前向神经网络
8 T+ Q& C3 Z7 b$ G7 }" X- f) p
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
& ]/ O6 l6 e0 w" p% g8 I: X X
( [. G- D4 [7 z* y; m
% 当前输入层权值和阈值
- Z# b! ?0 S- x0 L/ R$ g
inputWeights = net.IW(1,1)
9 v5 f1 ?2 b9 c$ U+ l
inputbias = net.b(1)
& b. g7 \- [- s) h! w" K, z9 K
% k) ^$ ], p$ K) d d
% 当前网络层权值和阈值
' `! }5 H3 r8 q/ t) n6 q6 l
layerWeights = net.LW(2,1)
- q7 T1 d. L# T5 p9 s
layerbias = net.b(2)
6 Q# g4 i* A3 \* U
% w( D6 E# I: U- G' d: {
% 设置训练参数
. B$ @! l8 \: x7 F& e$ e
net.trainParam.show = 50;
5 Y( M: I- W2 F) ?* v/ |" w
net.trainParam.lr = 0.05;
y( n e- n- D# ~1 d
net.trainParam.mc = 0.9;
/ ?# g* D' i% C) j2 O
net.trainParam.epochs = 10000; %每计算10000次出一次结果
' x$ s, g" K8 s% w# M
net.trainParam.goal = 1e-6; %期望达到的误差（认为是合适的误差）
' m# w$ E0 c- E" o/ W
; f$ `* w4 O) m0 K5 h3 ~; a( j
% 调用 TRAINGDM 算法训练 BP 网络
, S4 I8 T# J5 O9 s
[net,tr] = train(net,P,T);
# Q& D; ]2 \5 C* U- h" }+ l- s
3 }) A- R9 X* c( f4 [
% 对 BP 网络进行仿真
( L) T! ^9 o1 z2 v2 @; K5 f0 e) s
A = sim(net,P); %A为输出结果
2 k% g# v& V; F D* S+ {8 N6 Q
. j. O; W5 T5 V9 i: X6 K1 E" E
%反归一化
# H: P* ?' c4 r; z( f0 }
% A = postmnmx(A,mint,maxt);
0 O$ w5 b* i8 y+ {. `9 G0 n9 a) y
( n3 J0 I9 w/ L' P9 [4 _: [9 {
% 计算仿真误差
& |$ p6 v/ w0 o" K( R
E = T-A; %原来的输出 - 训练输出 = 误差
+ }3 E2 ]& Z5 M* F
MSE = mse(E) %输出误差
! E3 v% l2 ~- S2 ~( r" R, _
0 A a3 u* n. Q& Z2 k& f& |. w |
%下面是输入数据，测试结果
- Y2 R n& n1 h( @" g" h) _3 n' N
x=[454.0 655.6 907.0 1112.5 1401.1]';
5 f' z6 T8 a p
Y = sim(net,x)
6 [/ _$ F" V4 D# C* Z
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