【变形预测】matlab编写BP网络预测模型实例

最近，想研究关于BP神经网络在数据预测上的一些模型，发现基本找不到可以直接用来做实验的代码，写这篇博客总结总结。当然，除了单纯的BP神经网络的预测外，还有很多改进的网络，比如PSO-BP，后续有机会的话，也会共享到此博客。

1.BP网络模型
BP网络（Back-ProPagation Network）又称反向传播神经网络， 通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
梯度怎么下降的？怎么更新权值的？····就不赘述了，网上有很多。
总的过程就是：我们需要将其他变量输入，然后再将模型输出值和训练数据进行比较，不断地迭代，直到达到最优。

2.主要步骤
    1）数据的输入
        一般数据要分为训练数据和测试数据，在数据准备时，可以将其分开保存。（数据一般包括要预测的变量和其他变量，如果数据少的话，可以直接在程序中输入；如果数据较多，我是先保存到txt，然后导入进去，最后保存成.mat文件）
    2）训练数据归一化
    3）构建BP神经网络
    matlab中有完整的BP网络工具箱，可以直接调用，所以不需要编写BP网络，使用起来很方便。
    4）设置网络参数
    根据需求或者经验设置。
    5）BP神经网络训练
    6）测试数据归一化
    7）BP神经网络预测
    8）预测结果反归一化与误差计算   
    9）画图
    
3.BP网络模型预测实例一
选自《智能优化算法及其MATLAB实例第2版》，这个案例还比较经典，一般的预测都可以参考这个。

clear all;                      %清除所有变量
close all;                      %清图
clc;                            %清屏
%%原始数据
%人数(单位：万人)
sqrs=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09...
    39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
%机动车数(单位：万辆)
sqjdcs=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2...
    2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];
%公路面积(单位：万平方公里)
sqglmj=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36...
    0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
%公路客运量(单位：万人)
glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 ... 
    21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];
%公路货运量(单位：万吨)
glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 ...
    11203 10524 11115 13320 16762 18673 20724 20803 21804];
%输入数据矩阵
p=[sqrs;sqjdcs;sqglmj]; 
%目标数据矩阵
t=[glkyl;glhyl];    

%%原始样本归一化
[P,minp,maxp,T,mint,maxt]=premnmx(p,t);

%%创建网络
net=newff(minmax(P),[8,2],{'tansig','purelin'},'traingdx');

%%设置训练参数
net.trainParam.show = 50;              %显示中间结果的周期
net.trainParam.lr = 0.035;             %学习率
net.trainParam.epochs = 2000;          %最大迭代次数
net.trainParam.goal = 1e-3;            %目标误差
%调用 TRAINGDM 算法训练 BP 网络
[net,tr]=train(net,P,T);
%对 BP 网络进行仿真
A = sim(net,P);
a=postmnmx(A,mint,maxt);
%优化后输入层权值和阈值
inputWeights=net.IW{1,1};
inputbias=net.b{1};
%优化后网络层权值和阈值
layerWeights=net.LW{2,1};
layerbias=net.b{2};

%时间轴刻度
x=1990:2009;   
%网络输出客运量
newk=a(1,:);       
%网络输出货运量
newh=a(2,:);                                      
%%绘值公路客运量对比图
figure
subplot(2,1,1);
plot(x,newk,'r-o',x,glkyl,'b--+')  
legend('网络输出客运量','实际客运量');
xlabel('年份');ylabel('客运量/万人');
%%绘制公路货运量对比图
hold on;
subplot(2,1,2);
plot(x,newh,'r-o',x,glhyl,'b--+')     
legend('网络输出货运量','实际货运量');
xlabel('年份');ylabel('货运量/万吨');

%%利用训练好的网络进行预测
%2010年和2011年的相关数据
pnew=[73.39 75.55;3.9 4.1;0.98 1.02];                     
SamNum=size(pnew,2);  
%利用原始输入数据的归一化参数对新数据进行归一化
pnewn=tramnmx(pnew,minp,maxp);    
%隐含层输出预测结果
HiddenOut=tansig(inputWeights*pnewn+repmat(inputbias,1,SamNum)); 
%输出层输出预测结果
anewn=purelin(layerWeights*HiddenOut+repmat(layerbias,1,SamNum));  
%把网络预测得到的数据还原为原始的数量级
anew=postmnmx(anewn,mint,maxt);

预测结果：

4.BP网络模型预测实例二
我自己根据数据要求写了一个，就是预测大坝变形的，目前想做做实验，看能不能找突破口创新，所以就先不放代码了，有兴趣的可以留言。