机器学习之MATLAB代码--神经网络（四）_matlab神经网络代码

代码

main.m文件

clear
close all
clc
format shortg
addpath('func_defined')
data=xlsread('数据8（A1-II00)','Sheet1','A1:I100');  

input=data(:,1:end-1);    
output=data(:,end); 

N=length(output);   %全部样本数
testNum=7;   %测试样本数
trainNum=N-testNum;    %训练样本数
net.dividefcn='';%关闭过拟合解烨功能

input_train = input(1:trainNum,:)';
output_train =output(1:trainNum)';
input_test =input(trainNum+1:trainNum+testNum,:)';
output_test =output(trainNum+1:trainNum+testNum)';

[inputn,inputps]=mapminmax(input_train,-1,1);
[outputn,outputps]=mapminmax(output_train);
inputn_test=mapminmax('apply',input_test,inputps);

inputnum=size(input,2);
outputnum=size(output,2);
disp('/')
disp('神经网络结构...')
disp(['输入层的节点数为：',num2str(inputnum)])
disp(['输出层的节点数为：',num2str(outputnum)])
disp(' ')
disp('隐含层节点的确定过程...')
net.dividefcn='';%关闭神经网络的过拟合解烨功能

MSE=1e+5; %最小误差
for hiddennum=20:30                        
     
   [IW,B,LW,TF,TYPE] = elmtrain(inputn,outputn,hiddennum);
   
    an0=elmpredict(inputn,IW,B,LW,TF,TYPE);  %仿真结果
    mse0=mse(outputn,an0);  %仿真的均方误差
    disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)])

    if mse0<MSE
        MSE=mse0;
        hiddennum_best=hiddennum;
    end
end
disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)])

[IW,B,LW,TF,TYPE] = elmtrain(inputn,outputn,hiddennum_best);  %隐含层神经元个数hiddennum_best不是随便设置的，是通过经验

an=elmpredict(inputn_test,IW,B,LW,TF,TYPE); %仿真
test_simu=mapminmax('reverse',an,outputps); % 反归一化
error=test_simu-output_test;      %误差
figure
plot(output_test,'bo-','linewidth',1.2)
hold on
plot(test_simu,'r*-','linewidth',1.2)
legend('期望值','预测值')
xlabel('测试样本编号'),ylabel('指标值')
title('神经网络测试集预测值和期望值的对比')
set(gca,'fontsize',12)
figure
plot(error,'ro-','linewidth',1.2)
xlabel('测试样本编号'),ylabel('预测偏差')
title('神经网络测试集的预测误差')
set(gca,'fontsize',12)

[~,len]=size(output_test);
SSE1=sum(error.^2);
MAE1=sum(abs(error))/len;
MSE1=error*error'/len;
RMSE1=MSE1^(1/2);
MAPE1=mean(abs(error./output_test));
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);    

disp(' ')
disp('/')
disp('预测误差分析...')
disp(['误差平方和SSE为：            ',num2str(SSE1)])
disp(['平均绝对误差MAE为：      ',num2str(MAE1)])
disp(['均方误差MSE为：              ',num2str(MSE1)])
disp(['均方根误差RMSE为：        ',num2str(RMSE1)])
disp(['平均百分比误差MAPE为： ',num2str(MAPE1*100),'%'])
disp(['相关系数R为：                     ',num2str(R1)])
disp(' ')
disp('/')
disp('打印测试集预测结果...')
disp('    编号         实际值        预测值        误差')
for i=1:len
    disp([i,output_test(i),test_simu(i),error(i)])
end




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
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98

func_defined文件之elmpredict.m文件

function Y = elmpredict(P,IW,B,LW,TF,TYPE)
% 计算隐含层的输出值
Q = size(P,2);
BiasMatrix = repmat(B,1,Q);
tempH = IW * P + BiasMatrix;
switch TF
    case 'sig'
        H = 1 ./ (1 + exp(-tempH));
    case 'sin'
        H = sin(tempH);
    case 'hardlim'
        H = hardlim(tempH);
end
Y = (H' * LW)'; 
if TYPE == 1  
    temp_Y = zeros(size(Y));
    for i = 1:size(Y,2)
        [max_Y,index] = max(Y(:,i));
        temp_Y(index,i) = 1;
    end
    Y = vec2ind(temp_Y); 
end
       
    

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

func_defined文件之elmtrain.m文件

function [IW,B,LW,TF,TYPE] = elmtrain(P,T,N,TF,TYPE)
%P输入矩阵
%T输出矩阵
%N隐含神经元
%TF激励
%TYPE 0回归、1分类
%IW 权值
%B 阈值
%LW 连接权值
if nargin < 3
    N = size(P,2);   
end
if nargin < 4       
    TF = 'sig';
end
if nargin < 5      
    TYPE = 0;
end
[R,Q] = size(P);
if TYPE  == 1
    T  = ind2vec(T);
end
[S,Q] = size(T);

IW = rand(N,R) * 2 - 1;

B = rand(N,1);
BiasMatrix = repmat(B,1,Q);

tempH = IW * P + BiasMatrix;  
switch TF    
    case 'sig'
        H = 1 ./ (1 + exp(-tempH));
    case 'sin'
        H = sin(tempH);
    case 'hardlim'
        H = hardlim(tempH);
end
LW = pinv(H') * T';

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

数据

结果

神经网络结构...
输入层的节点数为：8
输出层的节点数为：1
 
隐含层节点的确定过程...
隐含层节点数为20时，训练集的均方误差为：0.069271
隐含层节点数为21时，训练集的均方误差为：0.063343
隐含层节点数为22时，训练集的均方误差为：0.065061
隐含层节点数为23时，训练集的均方误差为：0.065559
隐含层节点数为24时，训练集的均方误差为：0.060345
隐含层节点数为25时，训练集的均方误差为：0.059529
隐含层节点数为26时，训练集的均方误差为：0.063012
隐含层节点数为27时，训练集的均方误差为：0.056661
隐含层节点数为28时，训练集的均方误差为：0.061978
隐含层节点数为29时，训练集的均方误差为：0.063928
隐含层节点数为30时，训练集的均方误差为：0.062316
最佳的隐含层节点数为：27，相应的均方误差为：0.056661
 
/
预测误差分析...
误差平方和SSE为：            3399145.4068
平均绝对误差MAE为：      463.1936
均方误差MSE为：              485592.201
均方根误差RMSE为：        696.8445
平均百分比误差MAPE为： 17.1643%
相关系数R为：                     -0.28122
 
/
打印测试集预测结果...
    编号         实际值        预测值        误差
            1         3505       3200.9      -304.13

            2       2480.3       4180.6       1700.3

            3       3012.7       3125.7       113.04

            4       2818.2       2352.1      -466.09

            5       2872.5       2539.2      -333.33

            6       2976.1       2709.5      -266.57

            7       2846.8       2905.7         58.9
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

如有需要代码和数据的同学请在评论区发邮箱，一般一天之内会回复，请点赞＋关注谢谢！！