机器学习 BP神经网络预测回归MATLAB代码（代码完整可直接用，注释详细，可供学习）

BP神经网络预测回归MATLAB代码（代码完整可直接用，注释详细，可供学习）

一、前言代码获取：直接点击链接

二、代码部分2.1 初始化2.2 读取数据2.3 设置训练集和测试集2.4 数据归一化2.5 求解最佳隐含层2.6 构建最佳隐含层的BP神经网络2.7 网络训练2.8 网络测试2.9 结果输出

三、输出结果展示四、BP优化模型五、结语

一、前言

BP神经网络预测回归MATLAB代码（代码完整可用，复制后即可运行使用，操作简单） （1）BP神经网络的知识想必不用再过多介绍，本篇文章从实际应用的角度，针对新手应用者，针对不需要过多了解BP，但是需使用MATLAB进行BP预测使用的童鞋们（就是那些我不需要懂，能用就行的童鞋们），展示了一套完整且注释详细的BP神经网络MATLAB代码，供各位直接使用。 （2）此代码展示了丰富的结果表现形式，包含了常用的各种结果指标，包括误差平方和SSE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE、平均百分比误差MAPE、预测准确率、相关系数R。此外，本代码还包含了隐含层节点的寻优过程，自动计算出最佳隐含层节点，避免了随意设置导致的误差增大和反复的实验过程。 （3）代码共分为9部分，分别为：初始化、读取数据、设置训练集和测试集、数据归一化、求解最佳隐含层、构建最佳隐含层的BP神经网络、网络训练、网络测试、结果输出。

代码获取：直接点击链接

二、代码部分

2.1 初始化

%% 1.初始化

clear

close all

clc

format short %精确到小数点后4位，format long是精确到小数点后15位

2.2 读取数据

（1）此部分采用xlsread函数读取Excel中存储的数据集，xlsread(‘数据.xlsx’,‘Sheet1’,‘A1:N520’)中的’数据.xlsx’代表Excel文件名称，'Sheet1’代表文件的第一个表格，'A1:N520’代表数据矩阵，即包括输入和输出全部的数据范围，使用需自行修改； （2）testNum代表设置测试集样本的数量，根据自己需求设置，剩下的为训练集； （3）新版本的MATLAB（好像是2021版本以上）无法使用xlsread函数，可用Load函数替代 ，Load函数用法可直接百度，很简单。

%% 2.读取数据

data=xlsread('数据.xlsx','Sheet1','A1:N520'); % Matlab2021版本以上无法使用xlsread函数，可用Load函数替代

% 设置神经网络的输入和输出

input=data(:,1:end-1); %第1列至倒数第2列为输入

output=data(:,end); %最后1列为输出

N=length(output); %计算样本数量

testNum=20 ; %设定测试集样本数量，从数据集后面选取

trainNum=N-testNum; %设定训练集样本数量

2.3 设置训练集和测试集

%% 3.设置训练集和测试集

input_train = input(1:trainNum,:)'; % 训练集输入

output_train =output(1:trainNum)'; % 训练集输出

input_test =input(trainNum+1:trainNum+testNum,:)'; % 测试集输入

output_test =output(trainNum+1:trainNum+testNum)'; % 测试集输出

2.4 数据归一化

%% 4.数据归一化

[inputn,inputps]=mapminmax(input_train,0,1); % 训练集输入归一化到[0,1]之间

[outputn,outputps]=mapminmax(output_train); % 训练集输出归一化到默认区间[-1, 1]

inputn_test=mapminmax('apply',input_test,inputps); % 测试集输入采用和训练集输入相同的归一化方式

2.5 求解最佳隐含层

（1）计算出输入和输出矩阵的列数，即为输入节点数和输出节点数； （2）根据输入节点数和输出节点数计算隐含层节点的范围。隐含层节点的范围由公式（1）计算得出，m代表输入层节点数，n代表输出层节点数，a的取值范围为1~10之间的整数，根据公式（1）求出10个可选择的隐含层节点数，依次对BP网络设置这10个隐含层节点并通过计算训练集均方误差MSE的方式，最终得出误差最小所对应的隐含层节点，即为最佳隐含层节点。

%% 5.求解最佳隐含层

inputnum=size(input,2); %size用来求取矩阵的行数和列数，1代表行数，2代表列数

outputnum=size(output,2);

disp(['输入层节点数：',num2str(inputnum),', 输出层节点数：',num2str(outputnum)])

disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])

disp(' ')

disp('最佳隐含层节点的确定...')

%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数

MSE=1e+5; %误差初始化

transform_func={'tansig','purelin'}; %激活函数采用tan-sigmoid和purelin

train_func='trainlm'; %训练算法

for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10

net=newff(inputn,outputn,hiddennum,transform_func,train_func); %构建BP网络

% 设置网络参数

net.trainParam.epochs=1000; % 设置训练次数

net.trainParam.lr=0.01; % 设置学习速率

net.trainParam.goal=0.000001; % 设置训练目标最小误差

% 进行网络训练

net=train(net,inputn,outputn);

an0=sim(net,inputn); %仿真结果

mse0=mse(outputn,an0); %仿真的均方误差

disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])

%不断更新最佳隐含层节点

if mse0

MSE=mse0;

hiddennum_best=hiddennum;

end

end

disp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])

2.6 构建最佳隐含层的BP神经网络

（1）根据2.5求出来的最佳隐含层节点，重新构建最佳隐含层的BP神经网络； （2）网络参数可根据自己需求适当修改。

%% 6.构建最佳隐含层的BP神经网络

net=newff(inputn,outputn,hiddennum_best,transform_func,train_func);

% 网络参数

net.trainParam.epochs=1000; % 训练次数

net.trainParam.lr=0.01; % 学习速率

net.trainParam.goal=0.000001; % 训练目标最小误差

2.7 网络训练

%% 7.网络训练

net=train(net,inputn,outputn); % train函数用于训练神经网络，调用蓝色仿真界面

2.8 网络测试

（1）运行完毕后可查看工作区中最终的权值阈值。

%% 8.网络测试

an=sim(net,inputn_test); % 训练完成的模型进行仿真测试

test_simu=mapminmax('reverse',an,outputps); % 测试结果反归一化

error=test_simu-output_test; % 测试值和真实值的误差

% 权值阈值

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

2.9 结果输出

（1）本部分为结果的输出代码，包括预测值与实际值对比图、预测误差图、计算各项参数指标、显示结果。

%% 9.结果输出

% BP预测值和实际值的对比图

figure

plot(output_test,'bo-','linewidth',1.5)

hold on

plot(test_simu,'rs-','linewidth',1.5)

legend('实际值','预测值')

xlabel('测试样本'),ylabel('指标值')

title('BP预测值和实际值的对比')

set(gca,'fontsize',12)

% BP测试集的预测误差图

figure

plot(error,'bo-','linewidth',1.5)

xlabel('测试样本'),ylabel('预测误差')

title('BP神经网络测试集的预测误差')

set(gca,'fontsize',12)

%计算各项误差参数

[~,len]=size(output_test); % len获取测试样本个数，数值等于testNum，用于求各指标平均值

SSE1=sum(error.^2); % 误差平方和

MAE1=sum(abs(error))/len; % 平均绝对误差

MSE1=error*error'/len; % 均方误差

RMSE1=MSE1^(1/2); % 均方根误差

MAPE1=mean(abs(error./output_test)); % 平均百分比误差

r=corrcoef(output_test,test_simu); % corrcoef计算相关系数矩阵，包括自相关和互相关系数

R1=r(1,2);

% 显示各指标结果

disp(' ')

disp('各项误差指标结果：')

disp(['误差平方和SSE：',num2str(SSE1)])

disp(['平均绝对误差MAE：',num2str(MAE1)])

disp(['均方误差MSE：',num2str(MSE1)])

disp(['均方根误差RMSE：',num2str(RMSE1)])

disp(['平均百分比误差MAPE：',num2str(MAPE1*100),'%'])

disp(['预测准确率为：',num2str(100-MAPE1*100),'%'])

disp(['相关系数R： ',num2str(R1)])

%显示测试集结果

disp(' ')

disp('测试集结果：')

disp(' 编号 实际值 BP预测值 误差')

for i=1:len

disp([i,output_test(i),test_simu(i),error(i)]) % 显示顺序: 样本编号，实际值，预测值，误差

end

三、输出结果展示

（1）最佳隐含层节点的确定过程：

（2）各项误差指标结果

（3）打印测试集结果

（4）BP预测值和实际值的对比以及预测误差

（5）回归图和误差直方图

（6）其他训练结果

四、BP优化模型

BP布谷鸟算法优化 CS-BP灰狼算法优化 GWO-BP鲸鱼算法优化 WOA-BP粒子群算法优化 PSO-BP麻雀算法 SSA-BP遗传算法 GA-BP

五、结语

（1）本代码可以算作是BP神经网络预测的较为优质的代码，大部分的设置是自动计算，无需手动修改，替换数据集后可直接使用，不懂得小伙伴根据文章也可直接使用，非常便捷； （2）本代码为多输出单输出神经网络，后续会发布多输出多输出的BP代码，敬请期待。

推荐链接

 您阅读本篇文章共花了：