代码
%随机权重-》前向计算-》误差-》权重更新，再来一遍-》达到误差限，停止
%%初始化
clear
close all
clc
%%读取数据
input=rand(2,200);
output=input(1,:).*input(2,:);
%%训练集、测试集
input_train=input(:,1:150);
output_train=output(1:150);
input_test=input(:,151:end);
output_test=output(151:end);
%%数据归一化
[inputn,inputps]=mapminmax(input_train,0,1);
[outputn,outputps]=mapminmax(output_train);
inputn_test=mapminmax('apply',input_test,inputps);
%%构建BP神经网络
net=newff(inputn,outputn,8);
%net=newff(inputn,outputn,[8,12]);得到具有两个隐藏层的神经网络
%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
%net.dividefcn=''; performance中的validation和Test就会不显示
%%BP神经网络训练
net=train(net,inputn,outputn);
%%BP神经网络测试
an=sim(net,inputn_test);%用训练好的模型进行仿真
test_simu=mapminmax('reverse',an,outputps);%预测结果反归一化
error=test_simu-output_test;%预测值和真实值的误差
%%真实值与预测值误差比较
figure(1)
plot(output_test,'bo-')
hold on
plot(test_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数'),ylabel('值'),title('测试集预测和期望值的误差对比'),set(gca,'fontsize',1)
%计算误差
[~,len]=size(output_test);
MAE1=sum(abs(error./output_test))/len;
MSE1=error*error'/len;
RMSE1=MSE1^(1/2);
disp(['------------误差计算----------'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['平均误差MSE为：',num2str(MSE1)])
disp(['均方根误差RMSE为：',num2str(RMSE1)])
运行结果
