python首先神经网络数据预测_BP神经网络数据预测

BP神经网络数据预测

1目的：利用BP神经网络进行数据预测。

2 特点

3 原理

1. 人工神经元模型

4 算法

5 流程

6 源代码

clear; clc;

TestSamNum = 20; % 学习样本数量

ForcastSamNum = 2; % 预测样本数量

HiddenUnitNum=8; % 隐含层

InDim = 3; % 输入层

OutDim = 2; % 输出层

% 原始数据

% 人数(单位：万人)

sqrs = [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)

sqjdcs = [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)

sqglmj = [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)

glkyl = [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)

glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 ...

13320 16762 18673 20724 20803 21804];

p = [sqrs; sqjdcs; sqglmj]; % 输入数据矩阵

t = [glkyl; glhyl]; % 目标数据矩阵

[SamIn, minp, maxp, tn, mint, maxt] = premnmx(p, t); % 原始样本对（输入和输出）初始化

SamOut = tn; % 输出样本

MaxEpochs = 50000; % 最大训练次数

lr = 0.05; % 学习率

E0 = 1e-3; % 目标误差

rng('default');

W1 = rand(HiddenUnitNum, InDim); % 初始化输入层与隐含层之间的权值

B1 = rand(HiddenUnitNum, 1); % 初始化输入层与隐含层之间的阈值

W2 = rand(OutDim, HiddenUnitNum); % 初始化输出层与隐含层之间的权值

B2 = rand(OutDim, 1); % 初始化输出层与隐含层之间的阈值

ErrHistory = zeros(MaxEpochs, 1);

for i = 1 : MaxEpochs

HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层网络输出

NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输出层网络输出

Error = SamOut - NetworkOut; % 实际输出与网络输出之差

SSE = sumsqr(Error); % 能量函数（误差平方和）

ErrHistory(i) = SSE;

if SSE < E0

break;

end

% 以下六行是BP网络最核心的程序

% 权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量

Delta2 = Error;

Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut);

dW2 = Delta2 * HiddenOut';

dB2 = Delta2 * ones(TestSamNum, 1);

dW1 = Delta1 * SamIn';

dB1 = Delta1 * ones(TestSamNum, 1);

% 对输出层与隐含层之间的权值和阈值进行修正

W2 = W2 + lr*dW2;

B2 = B2 + lr*dB2;

% 对输入层与隐含层之间的权值和阈值进行修正

W1 = W1 + lr*dW1;

B1 = B1 + lr*dB1;

end

HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层输出最终结果

NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输出层输出最终结果

a = postmnmx(NetworkOut, mint, maxt); % 还原网络输出层的结果

x = 1990 : 2009; % 时间轴刻度

newk = a(1, :); % 网络输出客运量

newh = a(2, :); % 网络输出货运量

subplot(2, 1, 1);

plot(x, newk, 'r-o', x, glkyl, 'b--+');

legend('网络输出客运量', '实际客运量');

xlabel('年份');

ylabel('客运量/万人');

subplot(2, 1, 2);

plot(x, newh, 'r-o', x, glhyl, 'b--+');

legend('网络输出货运量', '实际货运量');

xlabel('年份');

ylabel('货运量/万吨');

% 利用训练好的网络进行预测

pnew=[73.39 75.55

3.9635 4.0975

0.9880 1.0268]; % 2010年和2011年的相关数据；

pnewn = tramnmx(pnew, minp, maxp);

HiddenOut = logsig(W1*pnewn + repmat(B1, 1, ForcastSamNum)); % 隐含层输出预测结果

anewn = W2*HiddenOut + repmat(B2, 1, ForcastSamNum); % 输出层输出预测结果

anew = postmnmx(anewn, mint, maxt);

disp('预测值d：');

disp(anew);

《来源于科技文献，经本人分析整理，以技术会友，广交天下朋友》