基于BP神经网络的预测算法

2744557306

%% 清空环境变量
; [, y. V. U' K2 n! D+ Qclc
clear
4 B5 j/ C6 h* ~. f8 e* F
# L0 X! H# d; y8 }& a2 t3 S; G%% 训练数据预测数据提取及归一化
%下载输入输出数据
load data input output

% n1 ?7 x5 B  T( H4 a%从1到2000间随机排序
6 _& v3 S% E6 c  r) `k=rand(1,2000);
[m,n]=sort(k);

%找出训练数据和预测数据
input_train=input(n(1:1900),';
output_train=output(n(1:1900));
input_test=input(n(1901:2000),';
output_test=output(n(1901:2000));

2 R' ?" e  S! s8 K# c- Q%选连样本输入输出数据归一化
3 A; s  s, I) I6 L+ e[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

%% BP网络训练
; s; E( a0 l( E. l, a, J' E5 s% %初始化网络结构
) u/ q/ Q/ I& A( A6 i7 tnet=newff(inputn,outputn,5);

$ r# m0 g! p+ Y3 d5 Jnet.trainParam.epochs=100;
5 v3 n/ e9 ^1 T- Q$ N9 Dnet.trainParam.lr=0.1;
net.trainParam.goal=0.00004;
$ U6 w, g0 {  ]& q; Y( E. K
%网络训练
net=train(net,inputn,outputn);
0 M% x1 L8 o- g1 ^! @  P, O7 z  Z
%% BP网络预测
3 }7 P. a; a4 p; w; O%预测数据归一化
, U6 ?  F& h, D7 }/ e2 sinputn_test=mapminmax('apply',input_test,inputps);
) _- k. E1 _6 W& l
+ b1 G# H7 A  y. i& N%网络预测输出
, B, }$ z+ }5 M& A' `* r5 Nan=sim(net,inputn_test);

%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
$ G8 _% G. \) i4 Z/ ?1 G8 M" q
%% 结果分析
* _3 _; i) O2 b
figure(1)
plot(BPoutput,'g')
hold on
  |! s- ?& ?% Z7 Mplot(output_test,'-*');
legend('预测输出','期望输出')
. h# Y* ~- F0 S" btitle('BP网络预测输出','fontsize',12)
. }0 F/ j4 `3 }+ zylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%预测误差
$ d! W5 W$ o2 u: H: Verror=BPoutput-output_test;
* E) G: L* B1 K' x

& c# \3 U# {$ \4 A  n4 efigure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
6 ^  b) M. K5 S: V, Tylabel('误差','fontsize',12)
6 a7 B/ g8 H0 R3 K7 V3 i, Xxlabel('样本','fontsize',12)
7 m& u7 ]( X4 j8 ~
5 L! H4 x, ?. y$ t0 m6 Kfigure(3)
5 |  M+ Z& k4 f& s! S) Wplot((output_test-BPoutput)./BPoutput,'-*');
. F4 b! `% j3 A9 w1 Qtitle('神经网络预测误差百分比')

- H9 j" i2 o* ?7 T& cerrorsum=sum(abs(error));
1 D6 A6 x- |- V. ~, C+ g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 a0 S2 P# m2 K. }8 h1 ?# I1. 清空环境变量并导入训练数据（input和output）。

* m* ?, ^9 \: H' i2. 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。
4 D9 M0 u% j7 k7 e' ?5 r  p
- p4 `3 B: f  g* h1 S" m3. 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。
7 T# h$ r* t1 u4 `. a- v
; L; |. L6 U0 `0 F% U- i! t4. 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。
' Z  {2 g' ~. y4 |# d5 J
5. 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。

5 a+ T# Z, }! I# f1 S6. 将预测输出BPoutput反归一化，得到最终的预测结果。
" P" }5 p. {3 o
( L( ?7 \8 V2 J4 U3 P7. 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。
) i0 m: Y9 ^, B; D
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。
3 j! {% A8 b: d  ~  u) D

( i5 n& ]7 u% B% c" O5 x$ E