基于BP神经网络的预测算法

2744557306

%% 清空环境变量
' M- ~2 y: q: x5 G9 u# y" iclc
clear

' v' ^/ q2 }5 ~. ?. I/ ]%% 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
, i1 D2 ^, B. D
%从1到2000间随机排序
3 c( S! e9 D0 i# @k=rand(1,2000);
[m,n]=sort(k);

4 l1 K7 [) Z: K0 M: y%找出训练数据和预测数据
input_train=input(n(1:1900),';
* A5 U9 d, E4 m0 d( n# f# r! Goutput_train=output(n(1:1900));
input_test=input(n(1901:2000),';
5 P1 [6 o5 u$ woutput_test=output(n(1901:2000));

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
* k- s5 m' e8 b$ u! `8 j2 w[outputn,outputps]=mapminmax(output_train);
2 r) v9 ]* a" Y. g
7 l2 \! k1 o8 ]( O! J; M%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,5);
  r* _1 O! n: S3 j/ d3 J  Q7 F  ~: j
! u1 u1 Y6 |+ B7 t' [* A7 s2 Bnet.trainParam.epochs=100;
! l( T1 t( f6 g) ^# Ynet.trainParam.lr=0.1;
: ~$ E5 ^/ U8 d* S5 a' L5 dnet.trainParam.goal=0.00004;
- v9 w+ N/ H2 G
%网络训练
, L( d3 T  X, h7 b1 k* b" T( onet=train(net,inputn,outputn);

& U1 F9 z2 Y. g" n; B# [! r%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);

) \6 g) Q, Y' l' V# p; H/ n8 s; Y%网络预测输出
) a' L( n8 O- p) m' U) \0 a  k, Nan=sim(net,inputn_test);

* ?/ J5 r: h1 T& b9 h) o8 E%网络输出反归一化
, G4 J, v- E$ D0 o4 KBPoutput=mapminmax('reverse',an,outputps);
4 Z2 |$ A( n, K8 k7 j
! J7 S6 n$ n! c5 ?. C- S- a8 f! i: t1 f%% 结果分析

figure(1)
plot(BPoutput,'g')
0 \* z, A1 u- _- t, w* s+ Ehold on
; V4 ]8 \6 K% _. T) ~0 oplot(output_test,'-*');
) s$ l+ G9 V2 f' llegend('预测输出','期望输出')
title('BP网络预测输出','fontsize',12)
2 n3 n4 t; M+ G/ t! o" s3 dylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
5 D3 e% u, S6 }- ~%预测误差
- [) b: h5 k" }' w5 Zerror=BPoutput-output_test;
4 {/ A* S# H- \% U
/ R  D# v, \% o
" q) B' D$ a) {/ r9 Q& h, K! ^, Hfigure(2)
) o) |1 b) U) R: m2 mplot(error,'-*')
5 O$ Y: h- B/ Y7 D, b/ ktitle('BP网络预测误差','fontsize',12)
* q8 K* t: j  D/ jylabel('误差','fontsize',12)
4 h) N& ~' K' S; nxlabel('样本','fontsize',12)
: |; j( ?+ G8 J4 _/ X# z
figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')

errorsum=sum(abs(error));
* C9 O2 b: B& a9 \, R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：

1. 清空环境变量并导入训练数据（input和output）。

: l) u6 f' j6 x6 {  T2. 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。
% j7 y, [) @; l# [
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。

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。
, A3 s5 l% F; {
6. 将预测输出BPoutput反归一化，得到最终的预测结果。
: U8 O) I% V: W0 ^1 _7 [
' T9 Q$ L3 X. R4 ]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。
9 A2 M7 D* T3 G0 ?
5 s! D8 U: L* \% Y, Q8. 计算预测误差的绝对值之和，存储在errorsum变量中。
8 U7 ?. i( E& v. S( [% N6 g8 Y
" Y( l9 ]1 ~$ ?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。