查看: 4151|回复: 3

[已经解决] BP神经网络预测遇到一个疑问，麻烦过来看看

字体大小: 正常放大

23 主题	8 听众	372 积分

升级 24%

TA的每日心情

	开心 2014-10-4 18:19

签到天数: 102 天

[LV.6]常住居民II

自我介绍: 本人是在校学生，即将参加有史以来的第一场国赛，希望能在这里获得帮助。

电梯直达

1^#

发表于 2013-9-8 17:22 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

本帖最后由数学不烦于 2013-9-9 21:56 编辑

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。
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。

clear
clc
%输入数据--以一列作为一个输入数据
x1=[227.5 286.9 236.3 300.6 243.0];
x2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
x4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];

P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
%输出数据--以一列作为一个输出数据
y1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
y7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
%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
%{'tansig','purelin'}与[10,3]对应，意思为隐含层与输出层
%'traingdm' 表示调整权重，缩小误差的数学函数
%↓创建一个新的前向神经网络
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)

%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
net.trainParam.goal = 1e-6;    %期望达到的误差（认为是合适的误差）

%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);

%  对 BP 网络进行仿真
A = sim(net,P);                %A为输出结果

%反归一化
%  A = postmnmx(A,mint,maxt);

%  计算仿真误差
E = T-A;                      %原来的输出 - 训练输出 = 误差
MSE = mse(E)                   %输出误差

%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)

zan

BP神经网络, 预测