P=[93 260.5 -52 -0.07 1.216 3621 139 29 6.142
100 252.45 -48 -0.04 0.925 3600 142 27.5 5.068
121 241.52 -45 -0.02 1.113 3563 133 31.7 5.196
142 238.13 -42 -0.07 0.823 3512 127 34.1 6.362
139 196.32 -39 -0.07 0.635 3508 125 31.54 6.472
149 172.41 -37 -0.21 0.542 3502 123 30.17 6.578
168 161.9 -33 -0.8 0.3 3500 116 29.53 6.351
179 157.53 -31 -1.9 0.5 3500 132 33.42 7.307
173 154.32 -29 -2.4 0.436 2976 118 29.14 7.659
176 148.29 -34 -2.1 0.516 2984 114 28.52 7.435
183 146.74 -26 -2.52 0.5 2966 102 27.75 8
186 142.98 -24 -2.64 0.3 2966 97 26.36 8.934
192 139.24 -23 -2.68 0.3 2595 91 22.19 9.215
196 132.52 -19 -2.71 0.623 2576 93 19.52 9.612
]
P=P' % 保证输入的P是每行对应一个指标
T=[2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
]
T=T' % 神经网络输出结果为一行
[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);
net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');
net.trainParam.epochs = 5000;
net.trainParam.goal=0.0000001;
[net,tr]=train(net,p1,t1);
a=[80; 270.4;-64;-0.05;1.374;3711;141;26;6.153]; %输入数据
a=premnmx(a); %归一化
b=sim(net,a);
c=postmnmx(b,mint,maxt); % 反归一化
c
c =
2.0072e+03
具体见
这篇博客。
MATLAB使用BP神经网络进行数据预测
最新推荐文章于 2024-08-04 16:31:43 发布