基于BP神经网络的预测算法

2744557306

%% 清空环境变量
clc
1 n. p5 Q  g; v( m6 z+ cclear
8 A" k! i* c6 ^( s$ ~8 V1 \6 t
. Z0 a5 @- K# e% u2 B; Z%% 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);
6 Q8 h* b. c/ G% `2 U3 f8 M
%找出训练数据和预测数据
7 Q+ @6 k3 Z' v. }7 l) B2 ]- oinput_train=input(n(1:1900),';
  H) \+ D& V% {, y" y9 r) moutput_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
- S4 e+ C( D0 w[inputn,inputps]=mapminmax(input_train);
* a) h3 E, E, H8 M' S' r[outputn,outputps]=mapminmax(output_train);
: E: \- ]5 c- S8 Z( T- D
%% BP网络训练
. _: b* s2 B0 D' g% %初始化网络结构
net=newff(inputn,outputn,5);
$ k: o+ v* V. a- _& o5 D6 O# u( `! O5 v4 w
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

%网络训练
6 Q9 n1 z- S( c2 ]( anet=train(net,inputn,outputn);
' J8 S3 ?% b  s/ Y: }) q. _+ O4 o! l
8 X& V6 i% b6 b8 l4 T* F2 ^/ h%% BP网络预测
  z4 @: R) g: Z  T%预测数据归一化
6 v# t0 b4 w) Y2 Z* n7 N8 ^! vinputn_test=mapminmax('apply',input_test,inputps);

' h% P9 ~* D( c%网络预测输出
1 J0 b0 x$ B: T5 p: E+ ]  van=sim(net,inputn_test);
$ q: \2 {4 S7 @+ `: o& U4 ^
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);

%% 结果分析

8 z+ c2 j3 a5 Pfigure(1)
$ P3 n! F" E( g0 E5 X5 W0 {# tplot(BPoutput,'g')
hold on
plot(output_test,'-*');
legend('预测输出','期望输出')
9 c2 m0 p7 \) d2 J% [. Otitle('BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
1 h2 z8 i8 P7 \4 S  d%预测误差
' P# k/ n4 U1 d. Merror=BPoutput-output_test;
0 f8 C8 J, h" v, x' A% ?4 v: e
8 O" _* w; j+ p7 x# L, |9 `) o
figure(2)
6 |& ~5 ~' x1 W' [- v1 {plot(error,'-*')
title('BP网络预测误差','fontsize',12)
& i- C7 T: F: f3 Kylabel('误差','fontsize',12)
& E0 c( @/ F+ `! m  A+ y! g! z4 lxlabel('样本','fontsize',12)
: O* p9 _+ h2 |
figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')

8 X4 I1 C* t) M6 s* D" k/ }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：
- Z+ m  S- K9 F9 U* i9 A" Z
: |8 w2 ^( F% T1. 清空环境变量并导入训练数据（input和output）。
7 @; r# g  {; j9 z) |6 U2 r( g9 y
+ T2 w0 }! b2 i( ]9 y6 C/ `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 B; _9 c: \/ H3 P7 f
9 i1 M9 ?. s& `1 Z3. 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。
1 [2 ]! N" d# p5 ]) b8 i
7 w+ [4 X- n! c, K3 c. p: F& ~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。

! [1 u& {: i# g3 w! ^, ]3 [: N2 @- y6. 将预测输出BPoutput反归一化，得到最终的预测结果。

2 C0 Q$ P9 f2 E9 {. L7. 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。

0 |% _- y' j6 S+ a8. 计算预测误差的绝对值之和，存储在errorsum变量中。
4 i# d3 N! T" c6 }5 r4 r
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。

4 {# ^% |# L& ]6 I6 }
. w& ]& G' x( z. o
" Q2 a% J( Z8 ^
+ b" h' P- K- Q; ]