查看: 144|回复: 0

基于BP神经网络的预测算法

字体大小: 正常放大

845 主题	1 听众	2212 积分

该用户从未签到

电梯直达

1^#

发表于 2024-5-22 11:23 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

%% 清空环境变量
clc
clear

%% 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

%从1到2000间随机排序
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));

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,5);

net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

%网络训练
net=train(net,inputn,outputn);

%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);

%网络预测输出
an=sim(net,inputn_test);

%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

figure(1)
plot(BPoutput,'

g')
hold on
plot(output_test,'-*');
legend('预测输出','期望输出')
title('BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%预测误差
error=BPoutput-output_test;

figure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)

figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('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：

1. 清空环境变量并导入训练数据（input和output）。

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。

3. 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。

4. 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。

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。

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。