基于BP神经网络的预测算法

2744557306

%% 清空环境变量
clc
clear

" T8 _& S6 x" M! ^: V* _%% 训练数据预测数据提取及归一化
5 h% l4 }* s" Z& [%下载输入输出数据
load data input output
3 k( B1 N# J7 T2 ]) C. C
* W+ R' o& `; [%从1到2000间随机排序
1 D! M( _/ D7 z2 n3 t) y& [* g5 Bk=rand(1,2000);
[m,n]=sort(k);
- {7 F( {9 y; _; l" F
%找出训练数据和预测数据
input_train=input(n(1:1900),';
( S# S9 o; K" l5 A6 v* W7 loutput_train=output(n(1:1900));
1 ?0 t( }6 M3 O* I; zinput_test=input(n(1901:2000),';
3 M) q( U; {8 s+ |' }# Youtput_test=output(n(1901:2000));

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
+ N" `: Y& }! P[outputn,outputps]=mapminmax(output_train);

%% BP网络训练
% %初始化网络结构
) B* r0 o& Y+ s4 `4 d4 Rnet=newff(inputn,outputn,5);

net.trainParam.epochs=100;
net.trainParam.lr=0.1;
' S2 y+ b7 K* V) rnet.trainParam.goal=0.00004;

8 x, }! l' |8 Y- ~%网络训练
3 `* C9 B: A8 E- p4 q$ z5 Tnet=train(net,inputn,outputn);

%% BP网络预测
4 t- L  E7 c& g1 W0 [& k0 y+ R+ @%预测数据归一化
. Z4 t) ]% }" n  L  s/ @* h& i: u5 Q' ^inputn_test=mapminmax('apply',input_test,inputps);

) C* r! T) y* N2 w/ }* t  V% Q%网络预测输出
! }2 ?8 l3 x: `$ ean=sim(net,inputn_test);
! s4 p' X8 O4 E5 E: E9 n' S
) _* y0 T1 W% P7 j: }%网络输出反归一化
) e6 d! U* j$ |; b0 hBPoutput=mapminmax('reverse',an,outputps);

8 H7 H5 N) p( v/ Z, p0 C2 A) }" V%% 结果分析

$ n# l2 h6 O! e6 U) J5 mfigure(1)
5 a" n' W  r4 k' [8 t$ g; Zplot(BPoutput,'g')
3 {4 l7 z. `$ J% `( Hhold on
plot(output_test,'-*');
legend('预测输出','期望输出')
5 B1 I! d; x2 @  V- ?title('BP网络预测输出','fontsize',12)
0 W  l5 C7 ~. w1 Xylabel('函数输出','fontsize',12)
2 U4 W7 ]% L- b/ S+ x. I! wxlabel('样本','fontsize',12)
8 O; j: o. G! k%预测误差
error=BPoutput-output_test;
7 G  Z, q* a% n% V" [& F+ C
- ^- B4 g3 A; I
% O1 j: Q( }: D3 cfigure(2)
) E7 F" J" {+ f) Rplot(error,'-*')
title('BP网络预测误差','fontsize',12)
3 E# ]2 h' y0 q8 s. B/ Hylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)

figure(3)
* Y4 l4 n  v% J9 t0 }plot((output_test-BPoutput)./BPoutput,'-*');
! k) Q$ A5 V' gtitle('神经网络预测误差百分比')

errorsum=sum(abs(error));
以上代码是一个简单的基于BP神经网络的回归预测模型。下面是代码的详细解释：

4 D& w/ h  `2 n4 t# K' h( ]1. 清空环境变量并导入训练数据（input和output）。
, ^8 J6 \2 C/ w7 ?* K& V
2. 对输入数据进行随机排序，将数据集分为训练数据和预测数据。
) N( w. f: n  K; k. C
3 k+ h8 C) w2 Z+ j# s* S* c3. 对训练数据进行归一化处理，使用mapminmax函数将输入数据和输出数据进行归一化操作。
, _' s: @2 X3 C0 s0 r
- w8 D  M0 H7 k. `% B/ v, `3 q* o4. 创建一个BP神经网络模型（使用5个隐藏层神经元），定义网络的训练参数（如训练轮数、学习率、目标误差等），并进行网络训练。
9 Y& E9 r0 ]$ }7 b  m* R
0 {& R5 H) D; k  E- I5. 对预测数据进行归一化处理并使用训练好的神经网络进行预测，得到预测输出BPoutput。

6. 将预测输出BPoutput反归一化，得到最终的预测结果。

7. 绘制结果分析图表：第一个图表展示预测输出和期望输出的对比，第二个图表展示预测误差，第三个图表展示神经网络预测误差百分比。

8. 计算预测误差的绝对值之和，存储在errorsum变量中。

总的来说，该代码实现了使用BP神经网络进行回归预测的过程，包括数据的处理、网络的训练、预测结果的计算和分析结果的展示。
, ~" Y* S) s" O: i3 K* T5 z8 Q
$ v  z$ H* }. Q/ f: X

& s9 B; X1 r+ D0 H) t) h
9 p8 X( }& e  T! a/ b