# baiyuntian
# @time: 2023/5/22 15:11
# @Author: Yuntian Bai
# @File: BPNN
# @Contact: 287503957@qq.com
# @Software: PyCharm
# baiyuntian
# @time: 2023/5/22 15:11
# @Author: Yuntian Bai
# @File: BPNN
# @Contact: 287503957@qq.com
# @Software: PyCharm
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import matplotlib.pyplot as plt
# 读取数据
data = pd.read_excel('data522.xlsx')
# 数据预处理
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)
data_normalized = pd.DataFrame(data_scaled, columns=data.columns)
# 提取"速度"列
speed = data_normalized['总推力']
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data_normalized.drop('总推力
深度学习BPNN代码落地实战
最新推荐文章于 2024-08-04 16:31:43 发布
该代码示例展示了如何运用Python的PyTorch库建立一个BP神经网络(BPNN)模型来预测数据中的速度。首先,数据从Excel文件读取并进行预处理,包括标准化。接着,数据被划分为训练集和测试集。然后,定义了一个包含隐藏层的BPNN模型,并使用Adam优化器和均方误差损失函数进行训练。最后,模型在测试集上进行评估,计算了MSE、MAE和R2分数,并将实际值与预测值进行了可视化比较。
摘要由CSDN通过智能技术生成