✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
基于Elman神经网络的数据回归预测是一种利用Elman神经网络模型来进行数据回归问题的预测和估计。Elman神经网络也被称为递归神经网络(Recurrent Neural Network,RNN),它具有记忆能力,可以处理序列数据。以下是一种可能的实施步骤:
-
数据准备:收集和整理用于回归预测的数据集,包括输入特征和对应的目标值。确保数据集的质量和充分性。
-
数据预处理:对数据进行预处理,如归一化、标准化、特征工程等,以提高模型的训练效果和泛化能力。
-
Elman神经网络模型设计:设计一个合适的Elman神经网络模型,通常包括输入层、隐藏层(具有循环连接)、输出层等。隐藏层的输出会被反馈到下一个时间步骤的输入中,实现记忆功能。
-
模型训练:使用准备好的数据集对Elman神经网络模型进行训练。可以采用反向传播算法和优化器(如梯度下降)来最小化预测值与真实值之间的损失函数,以更新模型的权重和偏置。
-
模型评估:使用测试数据集对训练好的Elman神经网络模型进行评估,计算预测结果与真实值之间的误差指标,如均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)等。
-
预测与推断:使用训练好的Elman神经网络模型对新的输入数据进行预测和推断,得到回归预测结果。
-
模型优化:根据评估结果和实际需求,对Elman神经网络模型进行优化和调整,如调整隐藏层的大小、增加正则化手段、调整学习率等,以提高模型的性能和精度。
-
模型应用:将优化后的Elman神经网络模型应用于实际场景中,进行数据回归预测和估计。
基于Elman神经网络的数据回归预测可以应用于各种领域,如时间序列分析、语音识别、自然语言处理等,以实现对复杂数据关系的准确预测和估计。
⛄ 代码
%% Elman神经网络预测
%% 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.读取读取
data=xlsread('数据.xlsx'); %% 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
%% 3.设置训练集和测试集
%(1)随机选取测试样本
k=rand(1,N);
[m,n]=sort(k);
testNum=50; %设定测试集样本数量 !仅需修改这里
trainNum=N-testNum; %设定训练集样本数量
input_train = input(n(1:trainNum),:)'; % 训练集输入
output_train =output(n(1:trainNum))'; % 训练集输出
input_test =input(n(trainNum+1:trainNum+testNum),:)'; % 测试集输入
output_test =output(n(trainNum+1:trainNum+testNum))'; % 测试集输出
%(2)从数据后面选取测试样本
%testNum=50; %设定测试集样本数量
%trainNum=N-testNum; %设定训练集样本数量
%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
%% 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
%% 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=newelm(inputn,outputn,hiddennum,transform_func,train_func); %构建Elman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)])
%不断更新最佳的隐含层节点
if mse0<MSE
MSE=mse0;
hiddennum_best=hiddennum;
end
end
disp(['最佳隐含层节点数为:',num2str(hiddennum_best),',均方误差为:',num2str(MSE)])
%% 6.构建最佳隐含层的Elman神经网络
net=newelm(inputn,outputn,hiddennum_best,transform_func,train_func);
% 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
%% 7.网络训练
net=train(net,inputn,outputn); % train函数用于训练神经网络,调用蓝色仿真界面
%% 8.网络测试
an=sim(net,inputn_test); %训练完成的模型进行仿真测试
test_simu=mapminmax('reverse',an,outputps); %测试结果反归一化
error=test_simu-output_test; %测试值和真实值的误差
%% 9.结果输出
% Elman预测值和实际值的对比图
figure
plot(output_test,'bo-','linewidth',1.5)
hold on
plot(test_simu,'rs-','linewidth',1.5)
legend('实际值','预测值')
xlabel('测试样本'),ylabel('指标值')
title('Elman预测值和实际值的对比')
set(gca,'fontsize',12)
% Elamn测试集的预测误差图
figure
plot(error,'bo-','linewidth',1.5)
xlabel('测试样本'),ylabel('预测误差')
title('Elman神经网络测试集的预测误差')
set(gca,'fontsize',12)
figure;
plotregression(output_test,test_simu,['Elman回归图']);
figure;
ploterrhist(test_simu-output_test,['Elman误差直方图']);
%计算各项误差参数
[~,len]=size(output_test); % len获取测试样本个数,数值等于testNum,用于求各指标平均值
SSE1=sum(error.^2); % 误差平方和
MAE1=sum(abs(error))/len; % 平均绝对误差
MSE1=error*error'/len; % 均方误差
RMSE1=MSE1^(1/2); % 均方根误差
MAPE1=mean(abs(error./output_test)); % 平均百分比误差
r=corrcoef(output_test,test_simu); % corrcoef计算相关系数矩阵,包括自相关和互相关系数
R1=r(1,2);
% 显示各指标结果
disp(' ')
disp('各项误差指标结果:')
disp(['误差平方和SSE为:',num2str(SSE1)])
disp(['平均绝对误差MAE为:',num2str(MAE1)])
disp(['均方误差MSE为:',num2str(MSE1)])
disp(['均方根误差RMSE为:',num2str(RMSE1)])
disp(['平均百分比误差MAPE为:',num2str(MAPE1*100),'%'])
disp(['预测准确率为:',num2str(100-MAPE1*100),'%'])
disp(['相关系数R为:',num2str(R1)])
% 工作区中
% output_test代表测试集
% test_simu代表BP预测值
% error代表误差
⛄ 运行结果
⛄ 参考文献
[1] 姜平,石琴,陈无畏,等.基于Elman型回归神经网络的公交客流预测[J].合肥工业大学学报:自然科学版, 2008, 31(3):4.DOI:10.3969/j.issn.1003-5060.2008.03.005.