专注高密做网站哪家好,微信官网weixinqqcom,长沙响应式网站建设,网站建设标准BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念#xff0c;是一种按照误差逆向传播算法训练的多层前馈神经网络#xff0c;是应用最广泛的神经网络模型之一
具体数学推导以及原理在本文不做详细介绍#xff0c;本文将使用MATLAB进行B…BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念是一种按照误差逆向传播算法训练的多层前馈神经网络是应用最广泛的神经网络模型之一
具体数学推导以及原理在本文不做详细介绍本文将使用MATLAB进行BP神经网络的应用与实践
1 BP神经网络结构 BP神经网络是一种多层前馈神经网络其主要特点是信号是前向传播误差是后向传播。经典的BP神经网络具有三层网络结构分别为输入层隐含层输出层。输入变量X1X2经过BP神经网络训练可得到需要的预测输出Y。
2 代码结构
第一部分 初始化 使用 clear clc等命令对matlab进行初始化 第二部分 导入数据 加载数据集data.mat此部分需要替换为自己的数据该数据集需包含输入的X,需要预测输出的Y然后通过dividerand函数将训练集和测试集分为73也可调整为82。 第三部分 数据归一化 归一化是将样本的特征值转换到同一量纲下把数据映射到[-1, 1]区间内归一化的作用以及函数的使用可以自行百度 第四部分 构造网络结构 输入层节点数是由输入数据组数决定隐含层节点数由经验公式可得2倍输入节点数1输出节点输出数据组数决定然后使用newff进行网络训练 { ‘logsig’ ‘purelin’ } , ‘trainlm’此处为输入层激活函数输出层激活函数训练方法。 第五部分 测试集预测 使用训练好的神经网络对测试集进行测试并显示输出相关数据。
3 Tips
1 BP神经网络每次训练结果都不一样此为神经网络特性选择效果好的一次网络即可可使用save net 命令保存网络与load net加载网络命令进行复现 2 使用BP神经网络需要大量的数据训练效果才比较好 3 结果不理想时可通过调整第四部分代码调整训练目标训练次数等参数来得到较好的结果 4 有不理解的函数部分可通过查询MATLAB官方手册查询本文不再提供代码解答
4 源代码
%% BP神经网络预测
clear
clc
close all
warning off;
tic
%% 导入数据
load data.mat
[trainInd,valInd,testInd] dividerand(size(X,2),0.7,0,0.3);P_trainX(:,trainInd);
T_trainY(:,trainInd);
P_testX(:,testInd);
T_testY(:,testInd);%% 归一化
% 训练集
[Pn_train,inputps] mapminmax(P_train,-1,1);
Pn_test mapminmax(apply,P_test,inputps);
% 测试集
[Tn_train,outputps] mapminmax(T_train,-1,1);
Tn_test mapminmax(apply,T_test,outputps);%% 构造网络结构
%创建神经网络
inputnum 2; %inputnum 输入层节点数 4维特征
hiddennum 5; %hiddennum 隐含层节点数
outputnum 1; %outputnum 隐含层节点数
net newff( minmax(Pn_train) , [hiddennum outputnum] , { logsig purelin } , trainlm ) ;
%设置训练参数
net.trainparam.show 50 ;
net.trainparam.epochs 200 ;
net.trainparam.goal 0.001 ;
net.trainParam.lr 0.01 ;
net train( net, Pn_train , Tn_train ) ;%% 测试集预测
TestResults sim(net,Pn_test);
TestResults mapminmax(reverse,TestResults,outputps); %反归一化
TestError TestResults - T_test;
TestMSE mse(TestError);figure
plot(T_test,b-);
hold on
plot(TestResults,r-);
legend(真实值,预测值);
title(测试集预测结果);
grid onfigure
plot(TestError,r-);
title(测试集误差)
grid on[~,len]size(T_test);
MAE1sum(abs(TestError./T_test))/len;
MSE1TestError*TestError/len;
RMSE1MSE1^(1/2);
R corrcoef(T_test,TestResults);
r R(1,2);
disp([........BP神经网络测试集误差计算................])
disp([平均绝对误差MAE为:,num2str(MAE1)])
disp([均方误差为MSE:,num2str(MSE1)])
disp([均方根误差RMSE为:,num2str(RMSE1)])
disp([决定系数 R^2为:,num2str(r)])toc
