赞
踩
BP神经网络预测回归MATLAB代码(代码完整可用,复制后即可运行使用,操作简单)
(1)BP神经网络的知识想必不用再过多介绍,本篇文章从实际应用的角度,针对新手应用者,针对不需要过多了解BP,但是需使用MATLAB进行BP预测使用的童鞋们(就是那些我不需要懂,能用就行的童鞋们),展示了一套完整且注释详细的BP神经网络MATLAB代码,供各位直接使用。
(2)此代码展示了丰富的结果表现形式,包含了常用的各种结果指标,包括误差平方和SSE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE、平均百分比误差MAPE、预测准确率、相关系数R。此外,本代码还包含了隐含层节点的寻优过程,自动计算出最佳隐含层节点,避免了随意设置导致的误差增大和反复的实验过程。
(3)代码共分为9部分,分别为:初始化、读取数据、设置训练集和测试集、数据归一化、求解最佳隐含层、构建最佳隐含层的BP神经网络、网络训练、网络测试、结果输出。
- %% BP神经网络回归预测
- %% 1.初始化
- clear
- close all
- clc
- format bank %2位小数,format short精确4位,format long精确15位
-
- %% 2.读取数据
- data=xlsread('数据.xlsx'); % xlsread函数报错时,可用Load函数替代
-
- % 设置神经网络的输入和输出
- input=data(:,1:end-1); %第1列至倒数第2列为输入
- output=data(:,end); %最后1列为输出
- N=length(output); %计算样本数量
-
- %% 3.设置训练集和测试集
- %(1)随机选取测试样本
- k=rand(1,N);
- [m,n]=sort(k);
- testNum=500; %设定测试集样本数量 !仅需修改这里
- trainNum=N-testNum; %设定训练集样本数量
- input_train = input(n(1:trainNum),:)'; % 训练集输入
- output_train =output(n(1:trainNum))'; % 训练集输出
- input_test =input(n(trainNum+1:trainNum+testNum),:)'; % 测试集输入
- output_test =output(n(trainNum+1:trainNum+testNum))'; % 测试集输出
-
- %(2)从数据后面选取测试样本
- %testNum=50; %设定测试集样本数量
- %trainNum=N-testNum; %设定训练集样本数量
- %input_train = input(1:trainNum,:)'; % 训练集输入
- %output_train =output(1:trainNum)'; % 训练集输出
- %input_test =input(trainNum+1:trainNum+testNum,:)'; % 测试集输入
- %output_test =output(trainNum+1:trainNum+testNum)'; % 测试集输出
-
- %% 4.数据归一化
- [inputn,inputps]=mapminmax(input_train,0,1); % 训练集输入归一化到[0,1]之间
- [outputn,outputps]=mapminmax(output_train); % 训练集输出归一化到默认区间[-1, 1]
- inputn_test=mapminmax('apply',input_test,inputps); % 测试集输入采用和训练集输入相同的归一化方式
-
- %% 5.求解最佳隐含层
- inputnum=size(input,2); %size用来求取矩阵的行数和列数,1代表行数,2代表列数
- outputnum=size(output,2);
- disp(['输入层节点数:',num2str(inputnum),', 输出层节点数:',num2str(outputnum)])
- disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])
- disp(' ')
- disp('最佳隐含层节点的确定...')
-
- %根据hiddennum=sqrt(m+n)+a,m为输入层节点数,n为输出层节点数,a取值[1,10]之间的整数
- MSE=1e+5; %误差初始化
- transform_func={'tansig','purelin'}; %激活函数采用tan-sigmoid和purelin
- train_func='trainlm'; %训练算法
- for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10
-
- net=newff(inputn,outputn,hiddennum,transform_func,train_func); %构建BP网络
-
- % 设置网络参数
- net.trainParam.epochs=1000; % 设置训练次数
- net.trainParam.lr=0.01; % 设置学习速率
- net.trainParam.goal=0.000001; % 设置训练目标最小误差
-
- % 进行网络训练
- net=train(net,inputn,outputn);
- an0=sim(net,inputn); %仿真结果
- mse0=mse(outputn,an0); %仿真的均方误差
- disp(['当隐含层节点数为',num2str(hiddennum),'时,训练集均方误差为:',num2str(mse0)])
-
- %不断更新最佳隐含层节点
- if mse0<MSE
- MSE=mse0;
- hiddennum_best=hiddennum;
- end
- end
- disp(['最佳隐含层节点数为:',num2str(hiddennum_best),',均方误差为:',num2str(MSE)])
-
- %% 6.构建最佳隐含层的BP神经网络
- net=newff(inputn,outputn,hiddennum_best,transform_func,train_func);
-
- % 网络参数
- net.trainParam.epochs=1000; % 训练次数
- net.trainParam.lr=0.01; % 学习速率
- net.trainParam.goal=0.000001; % 训练目标最小误差
-
- %% 7.网络训练
- net=train(net,inputn,outputn); % train函数用于训练神经网络,调用蓝色仿真界面
-
- %% 8.网络测试
- an=sim(net,inputn_test); % 训练完成的模型进行仿真测试
- test_simu=mapminmax('reverse',an,outputps); % 测试结果反归一化
- error=test_simu-output_test; % 测试值和真实值的误差
-
- % 权值阈值
- W1 = net.iw{1, 1}; %输入层到中间层的权值
- B1 = net.b{1}; %中间各层神经元阈值
- W2 = net.lw{2,1}; %中间层到输出层的权值
- B2 = net.b{2}; %输出层各神经元阈值
-
- %% 9.结果输出
- % BP预测值和实际值的对比图
- figure
- plot(output_test,'bo-','linewidth',1.5)
- hold on
- plot(test_simu,'rs-','linewidth',1.5)
- legend('实际值','预测值')
- xlabel('测试样本'),ylabel('指标值')
- title('BP预测值和实际值的对比')
- set(gca,'fontsize',12)
-
- % BP测试集的预测误差图
- figure
- plot(error,'bo-','linewidth',1.5)
- xlabel('测试样本'),ylabel('预测误差')
- title('BP神经网络测试集的预测误差')
- set(gca,'fontsize',12)
-
-
- %计算各项误差参数
- [~,len]=size(output_test); % len获取测试样本个数,数值等于testNum,用于求各指标平均值
- SSE1=sum(error.^2); % 误差平方和
- MAE1=sum(abs(error))/len; % 平均绝对误差
- MSE1=error*error'/len; % 均方误差
- RMSE1=MSE1^(1/2); % 均方根误差
- MAPE1=mean(abs(error./output_test)); % 平均百分比误差
- r=corrcoef(output_test,test_simu); % corrcoef计算相关系数矩阵,包括自相关和互相关系数
- R1=r(1,2);
-
- % 显示各指标结果
- disp(' ')
- disp('各项误差指标结果:')
- disp(['误差平方和SSE:',num2str(SSE1)])
- disp(['平均绝对误差MAE:',num2str(MAE1)])
- disp(['均方误差MSE:',num2str(MSE1)])
- disp(['均方根误差RMSE:',num2str(RMSE1)])
- disp(['平均百分比误差MAPE:',num2str(MAPE1*100),'%'])
- disp(['预测准确率为:',num2str(100-MAPE1*100),'%'])
- disp(['相关系数R: ',num2str(R1)])
(1)最佳隐含层节点的确定过程:
(2)各项误差指标结果
(3)打印测试集结果
(4)BP预测值和实际值的对比以及预测误差
(5)回归图和误差直方图
(6)其他训练结果
BP算法优化 | |
遗传算法 GA-BP | 灰狼算法 GWO-BP |
鲸鱼算法 WOA-BP | 粒子群算法 PSO-BP |
麻雀算法 SSA-BP | 布谷鸟算法 CS-BP |
(1)本代码可以算作是BP神经网络预测的较为优质的代码,大部分的设置是自动计算,无需手动修改,替换数据集后可直接使用,不懂得小伙伴根据文章也可直接使用,非常便捷;
(2)本代码为多输出单输出神经网络,后续会发布多输出多输出的BP代码,敬请期待。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。