BP神经网络数据预测实例代码

最新推荐文章于 2025-06-03 20:14:26 发布

原创最新推荐文章于 2025-06-03 20:14:26 发布 · 4.4k 阅读

51 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络

数学建模与matlab学习专栏收录该内容

17 篇文章

订阅专栏

本文详细介绍了一种基于MATLAB的神经网络训练流程，包括数据预处理、网络创建、参数设置、模型训练、仿真测试及性能评价等步骤，通过实例展示了如何实现数据的归一化与反归一化，以及如何利用决定系数R2进行模型效果评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

clear all
clc
%%清空环境变量

%1.导入数据
load data

%2.随机产生训练集和测试集
temp = randperm(size(DATA,1));%打乱60个样本的顺序

%训练集——50个样本
P_train = DATA(temp(1:50),:)';
T_train = DATA2(temp(1:50),:)';
%测试集——10个样本
P_test = DATA(temp(51:end),:)';
T_test = DATA2(temp(51:end),:)';
N=size(P_test,2);

%3.数据归一化
[p_train,ps_input] = mapminmax(P_train,0,1);
p_test = mapminmax('apply',P_test,ps_input);

[t_train,ps_output] = mapminmax(T_train,0,1);

%4.创建网络
net = newff(p_train,t_train,9);% 9是隐含层神经元的个数

%5.设置训练参数
net.trainParam.epochs = 1000; %迭代次数
net.trainParam.goal = 1e-3; %mse均方根小于这个值训练结束
net.trainParam.lr = 0.01; %学习率

%6.训练网络
net = train(net,p_train,t_train);

%7.仿真测试
t_sim = sim(net,p_test); %返回10个样本的预测值

%8.数据反归一化
T_sim = mapminmax('everse',t_sim,ps_output);%反归一化结果 

%9.性能评价

error = abs(T_sim-T_test)./T_test; %相对误差的计算

%决定系数R2
R2 = (N*sum(T_sim.*T_test)-sum(T_sim)*sum(T_test))^2/((N*sum((T_sim).^2)-(sum(T_sim))^2)*(N*sum((T_test).^2)-(sum(T_test))^2));

%结果对比
result = [T_test' T_sim' error'] %输出真实值，预测值，误差

%10.绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比':['R^2=num2str(R2)']};
title(string)