基于BP神经网络的预测算法

2744557306

%% 清空环境变量
clc
clear

8 e. c1 m3 K# s% I%% 训练数据预测数据提取及归一化
%下载输入输出数据
; U+ U; W$ @, D' {load data input output
5 ~1 Q  K5 e- X) m. F  z
%从1到2000间随机排序
k=rand(1,2000);
[m,n]=sort(k);

- U! m6 x* G9 [+ x& f  B%找出训练数据和预测数据
" W8 _5 G* A: n. m: ]; \7 k4 einput_train=input(n(1:1900),';
output_train=output(n(1:1900));
input_test=input(n(1901:2000),';
2 S: l/ O" I" V0 V( Youtput_test=output(n(1901:2000));
* I2 a0 A* E2 d5 N3 A4 `
$ |/ k, d- s7 _%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

( n% A; V% I9 y%% BP网络训练
; P7 g1 C$ M) j& Y/ J- w% %初始化网络结构
) ?3 C5 [$ d3 e8 E" znet=newff(inputn,outputn,5);
$ `5 c/ y0 _5 p7 [! w( X
2 l6 x: x+ X+ Qnet.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

%网络训练
net=train(net,inputn,outputn);
1 g, J& b. p' G7 L* h9 Z; k2 H  {8 ^
8 a% g/ J$ |2 q4 S7 [%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);

/ b$ K4 v8 E: o* V* `0 C- @/ O2 v%网络预测输出
an=sim(net,inputn_test);

- Y- @7 n+ `- H6 |%网络输出反归一化
" o: a: U* O6 t9 nBPoutput=mapminmax('reverse',an,outputps);

%% 结果分析
  `4 A; a  M8 \- I% a' ]
- ~/ H$ {2 T# D+ R& yfigure(1)
" K9 ~) Y6 B) j* U& ]9 A" P  J& xplot(BPoutput,'g')
0 o3 X8 g* J. {1 Yhold on
plot(output_test,'-*');
& [" F1 m" g. I" N: C8 Q( {; M8 g) ~% hlegend('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)
# c) J& N  @# _/ X. N" p% l%预测误差
+ M  p( y% ^" }: B2 p$ @  J/ zerror=BPoutput-output_test;


figure(2)
! P4 t8 q. ]/ |8 @0 oplot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
  q$ L1 N% j8 C& E2 z
7 A; x. ?9 G+ Q- j% }  Gfigure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
6 [! h; I1 M# I  \, ntitle('神经网络预测误差百分比')
. s( m1 I8 E& F5 c( Y
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：
& p4 P' U0 O' B) T
1. 清空环境变量并导入训练数据（input和output）。
" J/ H' r! L6 u2 K6 l9 S6 G: n
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。
6 l8 b+ S) M+ p# a1 d  o0 X" B2 P
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。
) X- A9 o- z6 C
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 W/ ]! O: T" q8 P5 R1 H
6. 将预测输出BPoutput反归一化，得到最终的预测结果。
/ x. Q+ u6 }, \, X4 C/ s
6 I8 p, U2 O; Z: b( S) e2 F- H7 d7. 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* L# ^7 }9 k! j3 T- D2 ~% G: h