BP神经网络预测回归MATLAB代码(代码完整可直接用,注释详细,可供学习)
一、前言代码获取:直接点击链接
二、代码部分2.1 初始化2.2 读取数据2.3 设置训练集和测试集2.4 数据归一化2.5 求解最佳隐含层2.6 构建最佳隐含层的BP神经网络2.7 网络训练2.8 网络测试2.9 结果输出
三、输出结果展示四、BP优化模型五、结语
一、前言
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。
代码获取:直接点击链接
二、代码部分
2.1 初始化
%% 1.初始化
clear
close all
clc
format short %精确到小数点后4位,format long是精确到小数点后15位
2.2 读取数据
(1)此部分采用xlsread函数读取Excel中存储的数据集,xlsread(‘数据.xlsx’,‘Sheet1’,‘A1:N520’)中的’数据.xlsx’代表Excel文件名称,'Sheet1’代表文件的第一个表格,'A1:N520’代表数据矩阵,即包括输入和输出全部的数据范围,使用需自行修改; (2)testNum代表设置测试集样本的数量,根据自己需求设置,剩下的为训练集; (3)新版本的MATLAB(好像是2021版本以上)无法使用xlsread函数,可用Load函数替代 ,Load函数用法可直接百度,很简单。
%% 2.读取数据
data=xlsread('数据.xlsx','Sheet1','A1:N520'); % Matlab2021版本以上无法使用xlsread函数,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
testNum=20 ; %设定测试集样本数量,从数据集后面选取
trainNum=N-testNum; %设定训练集样本数量
2.3 设置训练集和测试集
%% 3.设置训练集和测试集
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
2.4 数据归一化
%% 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
2.5 求解最佳隐含层
(1)计算出输入和输出矩阵的列数,即为输入节点数和输出节点数; (2)根据输入节点数和输出节点数计算隐含层节点的范围。隐含层节点的范围由公式(1)计算得出,m代表输入层节点数,n代表输出层节点数,a的取值范围为1~10之间的整数,根据公式(1)求出10个可选择的隐含层节点数,依次对BP网络设置这10个隐含层节点并通过计算训练集均方误差MSE的方式,最终得出误差最小所对应的隐含层节点,即为最佳隐含层节点。
![在这里插入图片描述](https://img-blog.csdnimg.cn/b20bcb4f8f6d4be3bea73e614b990a94.png#pic_center)
%% 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 |