matlab简易神经网络,使用MATLAB的神经网络工具箱简易实现BP网络

%准备好训练集

%人数(单位：万人)

numberOfPeople=[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];

%机动车数(单位：万辆)

numberOfAutomobile=[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];

%公路面积(单位：万平方公里)

roadArea=[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];

%公路客运量(单位：万人)

passengerVolume = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];

%公路货运量(单位：万吨)

freightVolume = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];

%输入数据矩阵

p = [numberOfPeople; numberOfAutomobile; roadArea];

%目标(输出)数据矩阵

t = [passengerVolume; freightVolume];

%对训练集中的输入数据矩阵和目标数据矩阵进行归一化处理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神经网络

net = newff(pn, tn, [3 7 2], {'purelin', 'logsig', 'purelin'});

%每10轮回显示一次结果

net.trainParam.show = 10;

%最大训练次数

net.trainParam.epochs = 5000;

%网络的学习速率

net.trainParam.lr = 0.05;

%训练网络所要达到的目标误差

net.trainParam.goal = 0.65 * 10^(-3);

%网络误差如果连续6次迭代都没变化，则matlab会默认终止训练。为了让程序继续运行，用以下命令取消这条设置

net.divideFcn = '';

%开始训练网络

net = train(net, pn, tn);

%使用训练好的网络，基于训练集的数据对BP网络进行仿真得到网络输出结果

%(因为输入样本(训练集)容量较少，否则一般必须用新鲜数据进行仿真测试)

answer = sim(net, pn);

%反归一化

answer1 = mapminmax('reverse', answer, outputStr);

%绘制测试样本神经网络输出和实际样本输出的对比图(figure(1))-------------------------------------------

t = 1990:2009;

%测试样本网络输出客运量

a1 = answer1(1,:);

%测试样本网络输出货运量

a2 = answer1(2,:);

figure(1);

subplot(2, 1, 1); plot(t, a1, 'ro', t, passengerVolume, 'b+');

legend('网络输出客运量', '实际客运量');

xlabel('年份'); ylabel('客运量/万人');

title('神经网络客运量学习与测试对比图');

grid on;

subplot(2, 1, 2); plot(t, a2, 'ro', t, freightVolume, 'b+');

legend('网络输出货运量', '实际货运量');

xlabel('年份'); ylabel('货运量/万吨');

title('神经网络货运量学习与测试对比图');

grid on;

%使用训练好的神经网络对新输入数据进行预测

%新输入数据(2010年和2011年的相关数据)

newInput = [73.39 75.55; 3.9635 4.0975; 0.9880 1.0268];

%利用原始输入数据(训练集的输入数据)的归一化参数对新输入数据进行归一化

newInput = mapminmax('apply', newInput, inputStr);

%进行仿真

newOutput = sim(net, newInput);

%反归一化

newOutput = mapminmax('reverse',newOutput, outputStr);

disp('预测2010和2011年的公路客运量分别为(单位：万人)：');

newOutput(1,:)

disp('预测2010和2011年的公路货运量分别为(单位：万吨)：');

newOutput(2,:)

%在figure(1)的基础上绘制2010和2011年的预测情况-------------------------------------------------------

figure(2);

t1 = 1990:2011;

subplot(2, 1, 1); plot(t1, [a1 newOutput(1,:)], 'ro', t, passengerVolume, 'b+');

legend('网络输出客运量', '实际客运量');

xlabel('年份'); ylabel('客运量/万人');

title('神经网络客运量学习与测试对比图(添加了预测数据)');

grid on;

subplot(2, 1, 2); plot(t1, [a2 newOutput(2,:)], 'ro', t, freightVolume, 'b+');

legend('网络输出货运量', '实际货运量');

xlabel('年份'); ylabel('货运量/万吨');

title('神经网络货运量学习与测试对比图(添加了预测数据)');

grid on;

5. 运行结果

预测2010和2011年的公路客运量分别为(单位：万人)：

ans =

1.0e+04 *

4.4384 4.4656

预测2010和2011年的公路货运量分别为(单位：万吨)：

ans =

1.0e+04 *

2.1042 2.1139

6. 绘制的图像

figure(1)

figure(2)