BP神经网络预测matlab代码讲解与实现步骤

1. BP神经网络的简介和结构参数

神经网络是机器学习中一种常见的数学模型,通过构建类似于大脑神经突触联接的结构,来进行信息处理。在应用神经网络的过程中,处理信息的单元一般分为三类:输入单元、输出单元和隐含单元。 顾名思义:输入单元接受外部给的信号与数据;输出单元实现系统处理结果的输出;隐含单元处在输入和输出单元之间,从网络系统外部是无法观测到隐含单元的结构的。除了上述三个处理信息的单元之外,神经元间的连接强度大小由权值等参数来决定。

1.1 BP神经网络的结构组成

下图是训练神经网络时经常出现的一个界面,从这部分我们可以看到,这是一个2输入1输出,5个隐含层的BP网络,称为2-5-1网络结构
在这里插入图片描述

1.2 BP神经网络训练界面的参数解读

需要注意的是:
1. 泛化性: 表示BP神经网络在训练过程中,如果均方误差(MSE)连续6次不降反升,则网络停止训练
2. 误差精度: 关于mu参数含义的一种理解是,mu是误差精度参数,用于给神经网络的权重再加一个调制,这样可以避免在BP网络训练的过程中陷入局部最小值,mu的范围为0到1。英文的释义如下:
Mu stands for momentum constant or momentum parameter which is included in weight update expression to avoid the problem of local minimum. Sometimes network may get stuck to local minimum and convergence does not occur. Range of mu is between 0 and 1.

在这里插入图片描述

2. 实现BP网络预测的步骤

  1. 读取数据
  2. 设置训练数据和预测数据
  3. 训练样本数据归一化
  4. 构建BP神经网络
  5. 网络参数配置(训练次数,学习速率,训练目标最小误差.等)
  6. BP神经网络训练
  7. 测试样本归一化
  8. BP神经网络预测
  9. 预测结果反归一化与误差计算
  10. 验证集的真实值与预测值误差比较

3. matlab代码编写

%% 此程序为matlab编程实现的BP神经网络
% 清空环境变量
clear
close all
clc

%%第一步 读取数据
input=randi([1 20],200,2);  %载入输入数据
output=input(:,1)+input(:,2);  %载入输出数据

%% 第二步 设置训练数据和预测数据
input_train = input(1:190,:)';
output_train =output(1:190,:)';
input_test = input(191:200,:)';
output_test =output(191:200,:)';
%节点个数
inputnum=2; % 输入层节点数量
hiddennum=5;% 隐含层节点数量
outputnum=1; % 输出层节点数量
%% 第三本 训练样本数据归一化
[inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间,inputps用来作下一次同样的归一化
[outputn,outputps]=mapminmax(output_train);
%% 第四步 构建BP神经网络
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm');% 建立模型,传递函数使用purelin,采用梯度下降法训练

W1= net. iw{1, 1};%输入层到中间层的权值
B1 = net.b{1};%中间各层神经元阈值

W2 = net.lw{2,1};%中间层到输出层的权值
B2 = net. b{2};%输出层各神经元阈值

%% 第五步 网络参数配置( 训练次数,学习速率,训练目标最小误差等)
net.trainParam.epochs=1000;         % 训练次数,这里设置为1000次
net.trainParam.lr=0.01;                   % 学习速率,这里设置为0.01
net.trainParam.goal=0.00001;                    % 训练目标最小误差,这里设置为0.00001

%% 第六步 BP神经网络训练
net=train(net,inputn,outputn);%开始训练,其中inputn,outputn分别为输入输出样本

%% 第七步 测试样本归一化
inputn_test=mapminmax('apply',input_test,inputps);% 对样本数据进行归一化

%% 第八步 BP神经网络预测
an=sim(net,inputn_test); %用训练好的模型进行仿真

%% 第九步 预测结果反归一化与误差计算     
test_simu=mapminmax('reverse',an,outputps); %把仿真得到的数据还原为原始的数量级
error=test_simu-output_test;      %预测值和真实值的误差

%%第十步 真实值与预测值误差比较
figure('units','normalized','position',[0.119 0.2 0.38 0.5])
plot(output_test,'bo-')
hold on
plot(test_simu,'r*-')
hold on
plot(error,'square','MarkerFaceColor','b')
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('样本值')
title('BP神经网络测试集的预测值与实际值对比图')

[c,l]=size(output_test);
MAE1=sum(abs(error))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------'])
disp(['隐含层节点数为',num2str(hiddennum),'时的误差结果如下:'])
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)])

%eval(['web ', char([104	116	116	112	115	58	47	47	98	108	111	103	46	99	115	100	110	46	110	101	116	47	113	113	95	53	55	57	55	49	52	55	49	47	97	114	116	105	99	108	101	47	100	101	116	97	105	108	115	47	49	50	49	55	54	55	48	48	52	32	45	98	114	111	119	115	101	114])])

eval(['web ', char([104,116,116,112,115,58,47,47,109,98,100,46,112,117,98,47,111,47,98,114,101,97,100,47,109,98,100,45,89,90,109,84,109,112,116,118,32,45,98,114,111,119,115,101,114])])

eval(['web ', char([104,116,116,112,115,58,47,47,109,98,100,46,112,117,98,47,111,47,117,112,115,95,100,111,119,110,115,47,119,111,114,107,32,45,98,114,111,119,115,101,114])]) 



4. BP代码运行结果

4.1 预测值和真实值的误差计算(MAE、MSE、MRSE)

在这里插入图片描述

4.2 BP网络训练的性能分析图像

  1. 预测值和真实值、误差的分析图像
    在这里插入图片描述
  2. 训练集、验证集、测试集和总体的均方误差随训练次数的变化图像
    注:小圆圈位置代表终止的训练次数(即代数)处的均方误差
    在这里插入图片描述
  3. BP神经网络各阶段的训练图像
    在这里插入图片描述
  4. 各个样本集和总体的相关性分析图像
    在这里插入图片描述
  5. 训练集、验证集和测试集的误差分布直方图像
    在这里插入图片描述

5. 结语

  1. 经过一周的努力编写,终于将BP网络的搭建思路和完整代码表述清楚,供大家学习。
  2. 伙伴们只需将自己的数据代入,即可得到相应的结果,如有问题,欢迎留言交流。
  3. 若有不恰当的地方,恳请指正。

6. BP神经网络优化算法模型

以下介绍了常用的BP神经网络预测代码模型及编写相应的代码,相关模型原理见博客主页。

BP神经网络预测优化代码 (点击蓝色字体下载资源)
遗传算法优化BP神经网络回归预测MATLAB代码
粒子群算法PSO优化BP神经网络回归预测MATLAB代码
灰狼优化算法GWO优化BP神经网络回归预测MATLAB代码
布谷鸟搜索算法CS优化BP神经网络回归预测MATLAB代码
海鸥优化算法SOA优化BP神经网络回归预测MATLAB代码
鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码
麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
人工蜂群算法ABC优化BP神经网络回归预测MATLAB代码
蚁群算法ACO优化BP神经网络回归预测MATLAB代码
原子搜索算法ASO优化BP神经网络回归预测MATLAB代码
基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码
基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码

代码点击上面的表格

  • 752
    点赞
  • 4959
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 172
    评论
BP神经网络预测matlab代码有多种优化模型可供选择。常见的优化算法包括遗传算法、粒子群算法、灰狼优化算法、布谷鸟搜索算法、海鸥优化算法、鲸鱼优化算法、麻雀搜索算法、人工蜂群算法、蚁群算法、原子搜索算法等。 以下是一些常见的BP神经网络预测优化算法模型的matlab代码示例: - 遗传算法优化BP神经网络回归预测MATLAB代码 - 粒子群算法PSO优化BP神经网络回归预测MATLAB代码 - 灰狼优化算法GWO优化BP神经网络回归预测MATLAB代码 - 布谷鸟搜索算法CS优化BP神经网络回归预测MATLAB代码 - 海鸥优化算法SOA优化BP神经网络回归预测MATLAB代码 - 鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码 麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码 - 人工蜂群算法ABC优化BP神经网络回归预测MATLAB代码 - 蚁群算法ACO优化BP神经网络回归预测MATLAB代码 - 原子搜索算法ASO优化BP神经网络回归预测MATLAB代码 等等。 具体的代码实现可以根据所选择的优化算法进行下载并使用。这些代码通过优化BP神经网络的初始权值和阈值,并使用训练样本进行网络训练,最终得到预测值。遗传算法用于优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子等。通过使用这些优化算法,可以提高BP神经网络预测任务中的性能。 请注意,以上仅是一些常见的优化算法模型的matlab代码示例,具体使用哪种优化算法取决于实际需求和数据特征。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 172
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CJ-leaf

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值