基于BP神经网络的预测算法

2744557306

%% 清空环境变量
clc
3 V8 k* B" T  X: g) T+ Gclear

1 k3 }$ B2 J7 o: V( b- {# H%% 训练数据预测数据提取及归一化
%下载输入输出数据
$ A5 {3 R* x5 u5 m8 y/ }, h# J7 rload data input output
( A8 a$ ~% E$ P1 o* n, W
- @7 l  r6 u% K/ [; x9 Z7 P1 U%从1到2000间随机排序
. L9 p0 u& y) I, Hk=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));
$ c: H0 N+ _/ Z1 W" ~+ m4 Minput_test=input(n(1901:2000),';
output_test=output(n(1901:2000));

5 x- r' d- y3 \# b7 Y/ l%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
/ }/ S! K  ~5 j) t) E[outputn,outputps]=mapminmax(output_train);

%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,5);
' Q( j& q  L1 G' w
net.trainParam.epochs=100;
  j* d: E6 l9 }1 r& e; v$ P' hnet.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

7 Y, u6 f" {+ D$ @3 F%网络训练
. @0 T. ?+ R5 H6 O7 h  E  N6 cnet=train(net,inputn,outputn);
7 z5 v6 ^3 C8 r, u$ }+ T
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
! c  B; K( l2 e. l4 Z0 m
& E2 r0 A9 u, i+ K" v2 ]3 Z%网络预测输出
an=sim(net,inputn_test);

, I  h' c" l8 r: M3 T; x% }%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);

4 w' ^+ j0 Z+ [) u$ u. }%% 结果分析

0 ~. o& j0 y. J1 S% Hfigure(1)
plot(BPoutput,'g')
) J/ @2 p5 |8 Xhold on
plot(output_test,'-*');
* O+ x" X, d( [/ [* plegend('预测输出','期望输出')
3 n" c( {3 H4 E) z) vtitle('BP网络预测输出','fontsize',12)
- ], x8 S' `- ]( Mylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
7 ]7 u3 h! A- d# l9 `%预测误差
error=BPoutput-output_test;
% R3 |" ]1 M; P- v1 v& i- R, B

figure(2)
plot(error,'-*')
3 Y0 H* t  E" ~; |! d7 s8 B9 g" |title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
! X6 w" w* o  @! ~( C& _xlabel('样本','fontsize',12)
. v, N  j3 G' Q0 D3 C9 B
figure(3)
7 p- `& K7 [) U. j! vplot((output_test-BPoutput)./BPoutput,'-*');
! R9 ]" E2 m4 Ttitle('神经网络预测误差百分比')
6 g& v! _; |% o6 N1 g/ p
4 y, C0 x0 {3 ]9 k6 yerrorsum=sum(abs(error));
( g1 t$ i* q6 z4 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：
3 k% b: q* Y) a: O
1. 清空环境变量并导入训练数据（input和output）。
+ x" X; O6 z, J/ G( }# D# i2 f2 r
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。
- C2 W" A( j- D3 @' j- [
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。
; A* p: `1 ^7 I/ q9 c3 j
; N3 r4 F2 ?3 j7 @, b& d: h4. 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。
8 G7 g7 x! R* G' \0 g: a1 ]
+ E, ~6 |9 b- m+ i% h* s6. 将预测输出BPoutput反归一化，得到最终的预测结果。

9 _7 p$ l- M! `/ b+ l2 m- A: E7. 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。

1 B# t# ~  N2 ^/ ^: o* h8. 计算预测误差的绝对值之和，存储在errorsum变量中。

3 }5 U9 k! l; {8 g/ c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。

, M& {- C; ]6 S4 p. K+ F