基于BP神经网络的预测算法

2744557306

%% 清空环境变量
2 l2 v7 E) x% q: tclc
clear

- V, d$ y2 I) [6 M+ ^/ M2 W! e%% 训练数据预测数据提取及归一化
% u6 Q( k: x: l$ G# {%下载输入输出数据
" d: R: U; i/ Jload data input output

1 _" \3 Z7 c* \%从1到2000间随机排序
. }1 h  l+ u. v0 Y# D' z2 k' Nk=rand(1,2000);
[m,n]=sort(k);

! d' }( _% z" s% @8 f# j( y%找出训练数据和预测数据
input_train=input(n(1:1900),';
% O1 e- M* Q* E, |1 h1 ^output_train=output(n(1:1900));
- }& y3 W# a( X1 i1 g  V. Pinput_test=input(n(1901:2000),';
$ y! M* l* u! n8 Y2 w$ routput_test=output(n(1901:2000));
6 J, P' T4 J/ Q% m6 k+ C7 Z/ B) F; ]& ?
7 ]8 f% t; ~  U0 R9 x- x( S5 O%选连样本输入输出数据归一化
! v* g& G: `4 Y[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
2 X% e) y: @: c  b1 [
  i9 b% Q6 }* Y# e; I" d%% BP网络训练
8 p3 l- M/ m7 t" O: C% %初始化网络结构
net=newff(inputn,outputn,5);
( |; i9 R' I, u) P* Q. H
" n% O+ Z7 e/ Lnet.trainParam.epochs=100;
6 N% b4 ]! C$ g! @3 E8 gnet.trainParam.lr=0.1;
7 o# k* i2 H3 p# u1 p$ E' u, Knet.trainParam.goal=0.00004;
: S+ L& F" O2 E
0 X3 u( u% h/ N" R5 E/ z6 z4 j%网络训练
net=train(net,inputn,outputn);
7 Y( R: E; ~6 N4 O' _2 e' c
%% BP网络预测
' l( B7 \$ x, {1 l; H; U%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);

& G3 X) W# |5 g; c2 C%网络预测输出
an=sim(net,inputn_test);
0 g$ J4 z. `9 A$ j
) C1 ]$ J8 W: G7 y( c# t; ?%网络输出反归一化
. U* i6 O# M4 B+ U% Z3 \BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

figure(1)
plot(BPoutput,'g')
+ w8 U& @' e9 M% ghold on
* B9 {% `9 ]: @! b2 \! hplot(output_test,'-*');
9 e. w( h; K% \. l; Clegend('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)
1 ]: p) h7 Y! j9 p%预测误差
% e: }0 T: @8 [error=BPoutput-output_test;


/ F- B/ K; E: Kfigure(2)
; k0 R+ f  ^! b3 x: A! h1 Y8 Mplot(error,'-*')
title('BP网络预测误差','fontsize',12)
; h# X6 l' p! \8 Pylabel('误差','fontsize',12)
% _' P4 S- ?9 ~' B! M) L; \3 x. Axlabel('样本','fontsize',12)
8 w4 f# W1 \1 v; T" {
figure(3)
+ X4 r6 r9 L' u0 @* _6 m0 P1 @0 J8 Dplot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')
  p2 W' h; v) J3 c
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：
) o; ?# n8 R0 k3 D4 A  v7 ^- p
6 a9 }5 @  K+ p: p8 o1. 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。
3 G1 B1 E" \1 C2 k0 S/ h, a* d# _
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。
2 F' k6 b7 T* ]' P
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。

' e) J6 f( E8 C, S4 Z' b. ~4 _8. 计算预测误差的绝对值之和，存储在errorsum变量中。

- w7 O, P( v, d  ]" J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。
; v6 E2 j: x% b3 }

8 I0 b' I* i. d# @- D' p
" G2 j2 K/ ^# I" V