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
发表评论