解决Matlab 调用训练好的BP网络的权值和阀值算出来的预测值和调用sim得到的值不一样的办法_matlab调用训练好的神经网络

解决方法

解决方法很简单：自己通过训练好的权值和阈值计算时，归一化和反归一化的范围应该设为(-1,1)，而不是(0,1)。

也就是从原来的：

[p_train, ps_input] = mapminmax(Id',0,1);
[t_train, ps_output] = mapminmax(train_y',0,1);
1
2

改为：

[p_train, ps_input] = mapminmax(Id',-1,1);
[t_train, ps_output] = mapminmax(train_y',-1,1);
1
2

本文在这篇论坛上得到提示：Matlab训练好BP神经网络后，怎么根据权值和阈值来计算呢？
此方法仅供参考，可能大家的情况有所不同，希望对大家有帮助。

以上为原回答
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
以下为10月10日更新
之前在评论区答应了过几天就补全回答，没想到一下子耽搁了3个月，实在是抱歉！
之前的答案这一句话“自己通过训练好的权值和阈值计算时”有误，应该是在一开始训练BP神经网络的时候就把归一化和反归一化的范围设为(-1,1)，而不是采用(0,1)，对了，我用的matlab版本为2019b。

以下将以经典的BP神经网络——基于近红外光谱的汽油辛烷值预测为例

原始的程序和数据集大家可以自行百度、google或者在github上寻找，我在文中也会给出程序，找不到数据集的人可以说自己邮箱，我看到的话会回，不过我后面也挺忙的，不保证及时性。
原始的BP神经网络程序如下：

%% I. 清空环境变量
clear all
close all
clc

%% II. 训练集/测试集产生
%%
% 1. 导入数据
load spectra_data.mat

%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);

%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_train,0,1);
p_test = mapminmax('apply',P_test,ps_input);

[t_train, ps_output] = mapminmax(T_train,0,1);

%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff(p_train,t_train,8);

%%
% 2. 设置训练参数
net.trainParam.epochs = 1000;%最大训练次数设置
net.trainParam.goal = 1e-3;%训练目标设置，及要求精度
net.trainParam.lr = 0.01;%学习率设置，应设置为较小值

%%
% 3. 训练网络
net = train(net,p_train,t_train);

%%
% 4. 仿真测试
t_sim = sim(net,p_test);

%%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output);

%% V. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_test)./T_test;

%%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

%%
% 3. 结果对比
result = [T_test' T_sim' error']

%% VI. 绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71

从上述程序中我们可以发现，在数据归一化的位置是将范围设定在(0,1)之间，但是我在实际操作中发现，在照搬根据(0,1)归一化的mapminmax函数的参数后，计算出来的神经网络输出值和原神经网络的不同，那么怎么解决这个问题呢，就像我前面说的，我们只需要将上面的原始BP神经网络的归一化范围改为(-1,1)。具体的原因我也没想明白，我猜也许matlab内部的调用函数不太一样，如果有大佬知道的请多多指教。
现在让我们将上述程序中的这部分：

%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_train,0,1);
p_test = mapminmax('apply',P_test,ps_input);

[t_train, ps_output] = mapminmax(T_train,0,1);
1
2
3
4
5

改为

%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_train,-1,1);
p_test = mapminmax('apply',P_test,ps_input);

[t_train, ps_output] = mapminmax(T_train,-1,1);
1
2
3
4
5

这样改变归一化范围并不会对神经网络预测精确度产生什么影响。
运行更改后的BP神经网络主程序之后，我们就可以得到如下的预测结果图：

同时我们在工作区中会得到大量的计算变量，如下图：

其中我们在后续需要用到的数据是红框中的三个，分别是训练好的神经网络和归一化反归一化的函数参数，其中需要我们自行提取的只有训练好的net变量中的网络权值和阈值参数。
这里有两种方法，参看如下程序：

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%方法一：
genFunction(net); %提取函数net
%或者如下
%方法二：
IW1_1 = net.iw{1,1};
b1 = net.b{1};
LW2_1 = net.lw{2,1};
b2 = net.b{2};
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
1
2
3
4
5
6
7
8
9
10

方法二就不细说了，其他文章中已经有提到过，想弄明白的同学可以参看help中“network”的文档。
方法一则是运行genFunction函数，然后点击命令行窗口的“edit neural_function”：

然后会跳出“neural_function”函数，其中就有已经训练好的权值和阈值，也就是其中的b和IW，LW，我们只需要将其复制过来：

IW为输出层到隐含层的权值，b1为输入层到隐含层的阈值；LW即为隐含层到输出层的权值，b2为隐含层到输出层的阈值。
同时，我们还能在“neural_function”函数中找到程序内部运行神经网络的循环计算代码：

for ts=1:TS

    % Input 1
    Xp1 = mapminmax_apply(X{1,ts},x1_step1);
    
    % Layer 1
    a1 = tansig_apply(repmat(b1,1,Q) + IW1_1*Xp1);
    
    % Layer 2
    a2 = repmat(b2,1,Q) + LW2_1*a1;
    
    % Output 1
    Y{1,ts} = mapminmax_reverse(a2,y1_step1);
end
1
2
3
4
5
6
7
8
9
10
11
12
13
14

和sigmoid的传递函数：

% Sigmoid Symmetric Transfer Function
function a = tansig_apply(n,~)
  a = 2 ./ (1 + exp(-2*n)) - 1;
end
1
2
3
4

我在后续自行建立训练好的神经网络时既是参考的上图的循环算式。具体程序如下：

% clear all
% close all
% clc

%% 创建神经网络参数

% Layer 1;b1:隐含层偏移量;IW1_1:隐含层权值
b1 = [1.3748057355138554314;-1.0270389076505417325];
IW1_1 = [-0.033329920682804686782 -0.046980249869347533165];
% Layer 2;b2：输出层偏移量;LW2_1:输出层权值
b2 = -0.70620702517192035508;
LW2_1 = [-0.50069237473355243662 -0.31059943234833836678];

%% 计算
    p_test1 = mapminmax('apply',P_test,ps_input);
    a1 = tansig(b1+IW1_1*p_test1);
    a2 =b2+LW2_1*a1;
    T_sim_t = mapminmax('reverse',a2,ps_output);

%% 作图
figure(1)
plot(1:N,T_sim,'r-o');
hold on
plot(1:N,T_sim_t,'b-*');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

上述代码中，前三行加引号是因为还需要使用之前得到的变量“ps_input”和“ps_output”，避免直接点运行按钮就把之前的变量都删除掉了，另外，这里的b1、b2、IW、LW这么短是因为本来的变量参数有401列，全部放出来太长了，在这里我就略去了，大家自己弄的时候注意。

以下是运行结果图，其中红色是原始神经网络的计算结果，蓝色是我们提取出训练好的net参数的计算结果：

可以看到和原始训练好的神经网络结果完全一致，但是假如我们还是采用(0,1)的归一化范围的话，得到的对比图则如下：

我也不明白为什么会出现这样的情况，希望有懂的大佬可以告知。
欢迎在评论区留言讨论，也欢迎指正错误。
有兴趣的同学也可以参看这一篇博客：MATLAB编写自己的BP神经网络程序
以上