bp神经网络回归模型的具体应用—matlab_matlab神经网络回归指标

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、BP神经网络是什么？

BP神经网络（Backpropagation Neural Network）是一种常用的人工神经网络模型，广泛应用于机器学习和深度学习领域。它是一种前向反馈的神经网络模型，通过反向传播算法进行训练和优化。

BP神经网络由输入层、隐藏层和输出层组成，其中隐藏层可以包含多个层次。每个层次由多个神经元节点组成，神经元之间的连接具有权重。输入层接收原始数据，隐藏层通过计算和传递信息，最终输出层给出网络的预测结果。

BP神经网络的训练过程通过反向传播算法进行，该算法通过计算预测结果与实际结果之间的误差，并将误差从输出层反向传播到隐藏层和输入层，根据误差调整权重值。这个过程通过梯度下降法来最小化损失函数，使网络的预测结果与实际结果尽可能接近。

二、使用步骤

1.导入数据

%%  导入数据
res = xlsread("C:\Users\86182\Desktop\时间序列\工商银行.xlsx"');
[m,n]=size(res)

2.划分训练集和测试集

rand('seed',70);
temp = 1: 1: m;
round(m*0.7)
P_train = res(temp(1: round(m*0.9)), [1:3,5:10])';
T_train = res(temp(1: round(m*0.9)), 4)';
M = size(P_train, 2);
 
P_test = res(temp(round(m*0.9)+1: end), [1:3,5:10])';
T_test = res(temp(round(m*0.9)+1: end), 4)';
N = size(P_test, 2);

设置随机种子，因为bp神经网络每次运行不一样。

3.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);
t_test = mapminmax('apply', T_test, ps_output);

消除单位和数值的影响

4.创建网络
 

net = newff(p_train, t_train, 5);

设计隐藏层的个数，可调

                                                   

其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，，a为1~10之间的调节常数。

5.设置训练参数

%%  设置训练参数
net.trainParam.epochs = 1000;     % 迭代次数 
net.trainParam.goal = 1e-6;       % 误差阈值
net.trainParam.lr = 0.01;         % 学习率

以上是参数，可调整。

6.训练网络

net = train(net, p_train, t_train);

 

 

 以上图像不做解释，可参考相关论文知道其意思。

7.仿真测试

t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test);

8.数据反归一化

T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

9. 绘图

figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid
 
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比';['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid

仅从图像来看，拟合情况还是很好的。具体模型评估还得相关指标。

10.模型评估

%% 相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - sum((T_test -  T_sim2).^2) / sum((T_test -  mean(T_test )).^2);
 
 
disp(['训练集数据的R1为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])
 
%  MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 -  T_test)) ./ N ;
 
disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])
 
%  MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 -  T_test) ./ N ;
 
disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])
 
 
mse1 = sqrt(sum((T_sim1 - T_train).^2)) ./ M;
mse2 = sqrt(sum((T_sim2 - T_test).^2)) ./ N;
disp(['训练集数据的MSE1为：', num2str(mse1)])
disp(['测试集数据的MSE2为：', num2str(mse2)])
 
rmse1 = sqrt(mean((T_sim1 - T_train).^2));
rmse2 = sqrt(mean((T_sim2 - T_test).^2));
disp(['训练集数据的RMSE1为：', num2str(rmse1)])
disp(['测试集数据的RMSE2为：', num2str(rmse2)])

 可见拟合优度很高，其他指标也很好。

---

总结

因为本篇文章预测的收盘价中用来回归的自变量含有开盘价，涨幅和收盘价等其他指标，这种预测值用手算也能算出来。所以本篇只作为参，具体问题，自变量的选取很重要。模型优度就不一定有这么好了。