【数学建模】BP神经网络预测和神经网络工具箱（python&Matlab代码工具箱）

目录

1 概述

 2 BP神经网络学习模板

3 Matlab神经网络工具箱

---

1 概述

上节知识复习：

【数学建模】随机森林预测（Python代码实现）

里面的算例本次我们会用到。

用神经网络的思想，使用某个方法计算出权重，带入神经网络进行预测，会比回归思想效果更好。这里我推荐使用BP神经网络。

为什么选择BP神经网络呢？因为它的非线性映射能力很强！比起直接使用回归有着很大的好处，因此我们也把线性回归这种算法叫做低级算法（我说的）。还是书面的总结下BP的几个好处：

1. 非线性映射能力强

2. 自学习和自适应能力强

3. 泛化能力更好

4. 容错能力也还可以的

 2 BP神经网络学习模板

使用 BP 神经网络拟合多输入多输出曲线

3 Matlab神经网络工具箱

除了BP以外，还可以使用别的机器学习预测方法。我们直接用matlab的神经网络工具箱如下：

在此之前需要先读取训练数据和测试数据，代码如下：

clc 
clear all

%训练
filename = 'C题数据.xlsx';
sheet = 3;
xlRange = 'A2:B76';
A = xlsread(filename,sheet,xlRange);

blRange = 'C2:E76';
B=xlsread(filename,sheet,blRange);


%测试
filename2='test.xlsx'
sheet2 = 1;
clRange = 'A2:B9';
C=xlsread(filename2,sheet2,clRange);

dlRange = 'C2:E9';
D=xlsread(filename2,sheet2,dlRange);

接着选择训练的特征和目标：

默认：

 设置12，你也可以设置其他值，默认为10，表示隐藏层个数：

训练：

训练后如下：

 

点击查看训练表现图：

      

如下：

再来：

作图如下，很好的预测模型，误差集中在0附近，且基本呈正态分布，说明还不错哦

再来查看回归：

如图，四个图分别是训练、调整、测试、所有数据的四张图。横坐标是原始值，纵坐标是预测值，所以我们希望点都在虚线（y = x）上，根据偏离程度可以看出误差。粗直线是根据这些点拟合的回归直线。R是相关度，越接近1表示越好

在上面知识查看了一些模型表现，需要拿去预测，进入下一步 

 下下步到这，保存一下：

开始一个个的输入进行预测：

 

 

同理自行完成其它几个预测，填充到表格中。

工具箱使用总结：

• 影响网络的参数有：隐藏层参数；训练、调整、测试比例；训练函数。当然，由于训练数据是随机的，所以每一次都会有差距。

• 当我们要寻找最佳参数，或者有很多组网络需要构建时，用工具箱就会很麻烦，这时候就需要掌握用代码控制上述步骤。