主代码
%function main()
clc
clear
close all
%% 1.原始数据
%输入
SR1=[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];
SR2=[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];
SR3=[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];
SHURU=[SR1;SR2;SR3];
%输出
SC1=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 ...
22598 25107 33442 36836 40548 42927 43462];
SC2=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 ...
13320 16762 18673 20724 20803 21804];
SHUCHU=[SC1;SC2];
%% 2.BP模型设置
HiddenUnitNum=5;%中间层隐节点数
XXSD=0.05;%学习速度
MAX_CS=50000;%最大训练轮回次数
RMSRMS=0.65*10^(-3);%均方误差
%% 训练完毕后的预测输入集
Input=[73.3900000000000,3.96350000000000,0.988000000000000;75.5500000000000,4.09750000000000,1.02680000000000]';%预测输入集数据
%% 训练
Results=BPNN(SHURU,SHUCHU,HiddenUnitNum,Input,XXSD,MAX_CS,RMSRMS);
BPNN.m
function [anew]=BPNN(SHURU,SHUCHU,HiddenUnitNum,pnew,XXSD,MAX_CS,RMSRMS)
%% 1.读取数据
[~,SamNum]=size(SHURU); %输入样本数量
TestSamNum=SamNum; %测试样本数量
[ForcastSamNum,~]=size(SHUCHU); %预测样本数量
[InDim,~]=size(SHURU); %网络输入维度
[OutDim,~]=size(SHUCHU); %网络输出维度
%% 2.利用premnmx函数对数据进行归一化
p=SHURU; %输入数据矩阵
t=SHUCHU; %目标数据矩阵
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 对于输入矩阵p和输出矩阵t进行归一化处理
for i=1:InDim
dx(i,:)=[-1,1];%归一化处理后最小值为-1,最大值为1
end
%% 3.BP网络训练
net=newff(dx,[InDim,HiddenUnitNum,OutDim],{'tansig','tansig','purelin'},'traingdx'); %建立模型,并用梯度下降法训练.
net.trainParam.Lr=XXSD; %学习速度为0.05
net.trainParam.epochs=MAX_CS; %最大训练轮回为50000次
net.trainParam.goal=RMSRMS; %均方误差
net=train(net,pn,tn); %开始训练,其中pn,tn分别为输入输出样本
%利用原始数据对BP网络仿真
an=sim(net,pn); %用训练好的模型进行仿真
a=postmnmx(an,mint,maxt); % 把仿真得到的数据还原为原始的数量级;
%% 4.回归
pnewn=tramnmx(pnew,minp,maxp); %利用原始输入数据的归一化参数对新数据进行归一化;
anewn=sim(net,pnewn); %利用归一化后的数据进行仿真;
anew=postmnmx(anewn,mint,maxt); %把仿真得到的数据还原为原始的数量级;