matlab进行预测误差过大,BP神经网络预测值误差太大

clear

clc

x=[1207        81        534        592        462        606        12.65        7630

1348        85        595        668        508.44        685        21.56        9086

1493.09        89.53        660.49        743.07        570.43        770.08        22.02        10039

1662.4        94.2        741.8        826.4        645.06        853.99        31.36        11719

1956        103        903        950        822.2        960.58        42.98        9564.05

2238        109.57        1019        1109.43        1055.18        1128.64        61.88        10849.72

2590        115.91        1194        1280.09        1325.29        1293.33        80.12        12359.98

3141.5        129.15        1440        1572.35        1732.79        1518.3        99.62        14357.64

3960.08        144.7        1827.65        1987.73        2252.05        1850.05        139.77        16712.44

4560.62        149.06        2142.14        2269.42        3001.1        2164.09        114.73        18385.02

5515.76        170.04        2532.82        2812.9        3753.17        2523.2        180.5        20806.32

6756.2        198.7        3254.02        3303.48        4255.16        2959.04        227.9        23738.09

8003.82        301.21        3869.56        3833.05        5031.25        3432.43        203.54        27061

];%输入层

[y,ps]=mapminmax(x');

ps.ymin=0.15;

ps.ymax=0.85;

[y,ps]=mapminmax(x',ps);

x1=y;

x0=[9181.63        271.55        4415.92        4512.87        5635.46        3957.64        315.96        28817.08

10957.92        305.91        5317.39        5364.05        6999.18        4625.63        381.36        32158.88

13077.85        344.6        6402.89        6375.77        8692.91        5406.36        460.31        35888.21

15607.9        388.19        7709.98        7578.32        10796.5        6318.86        555.6        40050.03

18627.42        437.3        9283.9        9007.67        13409.13        7385.39        670.61        44694.48];%输出层

[y,ps]=mapminmax(x0',ps);

x2=y;

y0=[708.08        1737        3.01

719.41        1654        4.7

737.73        1773        7.84

764.03        1940        11.06

835.18        2521        14

1277.65        2649.4        17.8

1312.73        2511.4        24.13

1418.01        2633.4        25.7

1445.1        3055.9        31.36

1900.05        3002.1        31.5

2401.85        3788         38.27

2644.18        3965.6        40.63

2910.22        3863.7        46.04

];%待预测的输入层

[y,ps]=mapminmax(y0');

ps.ymin=0.15;

ps.ymax=0.85;

[y,ps]=mapminmax(y0',ps);

y1=y;

[h,g]=size(x);

for i=1:h-3

p_train(:,i)=x1(:,i);%输入层训练项

q_train(:,i)=y1(:,i);%输出层训练项

end

p_test=[x1(:,h-2),x1(:,h-1),x1(:,h)];%输入层检测项

q_test=[y1(:,h-2),y1(:,h-1),y1(:,h)];%输出层检测项

net=newff(minmax(p_train),[12,3],{'tansig','logsig'},'traingda');%神经网络

inputweights=net.IW{1,1};

inputbias=net.b{2};

layerweights=net.LW{2,1};

layerbias=net.b{2};

net.trainParam.show=20;

net.trainParam.lr=0.01;

net.trainParam.mc=0.9;

net.trainParam.epochs=60000;

net.trainParam.goal=0.0001;

net=train(net,p_train,q_train);

r=sim(net,p_test);%对训练好的网络进行检测

Reverse= mapminmax('reverse',r,ps);

r1=Reverse';

r2=[y0(11,:);y0(12,:);y0(13,:)];

[m,n]=size(r);

for i=1:m

for j=1:n

r3(i,j)=1/r2(i,j);

r4=abs(r1-r2);

r5(i,j)=r4(i,j)*r3(i,j);

end

end

r5%对输出层检测数据与真实数据的相对误差

r6=sim(net,x2);%用训练好的数据进行预测

Reverse= mapminmax('reverse',r6,ps);%预测值进行饭归一化

r7=Reverse'