【BP预测】基于BP神经网络实现房价预测附matlab代码_基于bp网络神经模型的商品需求预测

1 简介

在人工神经网络的实际应用中, 大多数的人工神经网络模型是采用前馈反向传播网络 ( Back- Propagation Net work , 简称 BP网络 )或它的变化形式。它是前向网络的核心, 体现了人工神经网络最精华的部分。近年来 MATLAB因 其编程效率高, 易学易懂, 被广泛应用。比如BP神经网络已被广泛应用在非线性建摸、函数逼近、系统辨识等诸多方面, 但对实际问题, 其模型结构需由实验数据确定, 无规律可寻。本文引用了历年浦东房价的已知数据，简要利用 MATLAB语言进行 BP网络建立、训练、仿真，通过训练的网络来预测下个月和下下个月的房价。简单以浦东房屋均价预测为例, 表明可以通过 MATLAB实现利用BP神经网络简单预测。

Rumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(Back Propagation)学习算法。

BP算法基本原理：利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。它是一种 监督式的学习算法, 通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标。每一次权值和偏差的变化都与网络误差的影响成正比 , 并以反向传播的方式传递到每一层。BP学习算法由两部分组成:信息的正向传播与误差的反向传播。 在正向传播过程中, 输入信息从输入经隐含层逐层计算传向输出层, 每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出, 则计算输出层的误差变化值, 然后转向反向传播, 通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。 

​2 部分代码

clear; clc;

TestSamNum = 20;             % 学习样本数量

ForcastSamNum = 2;           % 预测样本数量

H