基于BP神经网络的预测算法

2744557306

%% 清空环境变量
clc
5 N; m6 f( X# @clear
$ I. U4 B$ F9 i8 k) T- [5 H  U
%% 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
1 |3 L& S( b2 _" K1 kk=rand(1,2000);
[m,n]=sort(k);
* F  I9 v0 i) Q* ^8 z9 j8 V
; B9 x5 y9 O/ C( W0 }- f%找出训练数据和预测数据
) h2 q3 _. d' ], J# ginput_train=input(n(1:1900),';
4 v# I5 f+ S* {. Toutput_train=output(n(1:1900));
( @/ r/ S6 n$ j+ \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
2 @/ E- \3 F, A# l[inputn,inputps]=mapminmax(input_train);
5 I& o+ _. \& y# t9 T8 I7 D9 w[outputn,outputps]=mapminmax(output_train);
: d5 R- I: G( i% d3 `& R; T& |
%% BP网络训练
: e* I9 A2 l, l$ t3 ~9 h% %初始化网络结构
- f- U4 ^9 E) o( Vnet=newff(inputn,outputn,5);
& u6 N1 u$ @5 A6 O( O
% I9 }" T- m/ x$ I0 P# cnet.trainParam.epochs=100;
net.trainParam.lr=0.1;
5 Q' L8 Z0 d: ~+ M  \net.trainParam.goal=0.00004;
) V0 N% B0 \- r& [/ }. o3 t7 y
2 s* r7 U: L! Q- d) @%网络训练
5 O2 c4 q; s% h/ Y- L9 [0 ~% mnet=train(net,inputn,outputn);
! t4 K! s3 ~9 U
%% BP网络预测
%预测数据归一化
- X* U; l/ L8 `; U/ g' b5 ginputn_test=mapminmax('apply',input_test,inputps);

' Y0 Q; P, Z& g  ]- u' B1 f%网络预测输出
an=sim(net,inputn_test);
/ {* Q  ?, S2 p% q9 L
. C& Y1 K7 }" }%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);

3 |: n1 ~$ y, o0 a4 G. J; X" f%% 结果分析

figure(1)
( g% g" |0 h& r* r5 k9 ?/ X0 dplot(BPoutput,'g')
; w) s$ i% w/ ^! z0 E4 s/ O1 }; qhold on
" M, J7 G3 |( N* t5 Jplot(output_test,'-*');
& ]1 V/ ^. Y" nlegend('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)
- p! _4 h& F7 d$ t1 v! k, Bxlabel('样本','fontsize',12)
- @: Q/ p* X2 X  ^5 D) x%预测误差
error=BPoutput-output_test;
' ~  m% P' |7 H3 W% O8 H
& o% m6 I0 R. ^# q4 L
! k. g  u& H4 k% q: c; X# t% Z& bfigure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
4 y' C8 G6 y1 o- v: z- n, W
figure(3)
$ A8 k1 I# \7 K# d  t8 Eplot((output_test-BPoutput)./BPoutput,'-*');
- F5 D& }& m- T% K/ u1 etitle('神经网络预测误差百分比')
7 V! Z$ N3 U* w$ f; A$ a8 `
+ z5 S- k$ M. O, terrorsum=sum(abs(error));
3 O( q. I8 [( C* M# ^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：
! }5 i8 N0 U9 ]* }8 d2 C6 d3 C
1. 清空环境变量并导入训练数据（input和output）。

; p, \  J1 ]1 \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。

7 ]4 y5 H# H7 o3 q3. 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。
  {' q0 d5 A* x3 O7 `, A
0 H5 X1 p/ c4 c3 Q4 F% k5. 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。
0 V4 o7 i  s! z2 H  N; d; B8 e
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。
3 D, A$ f5 \, R
! v  a1 j; \5 p( P8. 计算预测误差的绝对值之和，存储在errorsum变量中。
6 c. c3 h8 v! c4 Q
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。


6 z1 e( i- x- `& I( A4 {* e& t