[人工智能]matlab bp神经网络预测代码

辛烷值预测为例

clear all
clc

%% II. 训练集/测试集产生
%%
% 1. 导入数据
load NIR.mat%指标数据
load octane.mat%结果数据，相当于函数中的y
load new_x.mat%新的数据进行验证
%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1)); ? ? ?%打乱50个样本排序
% 训练集——40个样本?
P_train = NIR(temp(1:40),:)'; ? ? ?
T_train = octane(temp(1:40),: )';
% 测试集——10个样本
P_test = NIR(temp(41:end),:)';
T_test = octane(temp(41: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,9); ? ?%9是隐含层神经元的个数（大家改改测试下结果影响）

%%
% 2. 设置训练参数
net.trainParam.epochs = 1000; ? %迭代次数
net.trainParam.goal = 1e-3; ? ? ?%mse均方根误差小于这个值训练结束
net.trainParam.lr = 0.01; ? ? ? ? %学习率

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

%%
% 4. 仿真测试
t_sim = sim(net,p_test); ? ? ? ? %返回10个样本的预测值

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

%% 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'] ? ? %输出真实值，预测值，误差

%% VI. 绘图
figure(1)
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
hold on
plot(error)
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)

%% VII. 预测新的数据
predict_y = zeros(10,1);
for i = 1: 10
? ? result1 = sim(net, new_x(i,:)');%调用训练好的网络进行预测
? ? result = mapminmax('reverse',result1,ps_output);%反归一化处理
? ? predict_y(i) = result;%得到最终的数据预测值
end
disp('预测值为：')
disp(predict_y)