第一次写BP神经网络，求指点【哭脸】

第一次写BP神经网络的代码，实在不知道怎么解决（大学期间没接触过代码和MATLAB），代码如下：
%% 导入数据
%
%原始数据
%
x1=[1.94 1.99 1.12 1.66 2.62 1.57 1.78 1.44 2.93 1.21 0.77 0.52 1.51 1.32 1.32 2.24 1.69 12.12 2.31 1.02 2.84 1.32 0.91 1.22 0.80 4.37 2.68 3.45 0.84 2.24 1.00 2.04 7.63 2.22 2.05 0.97 10.56 0.73 1.03 2.20 2.09 1.19 0.66 1.22 1.87 1.16 3.35 3.70 1.06 2.18 0.90 0.96 0.80 0.46 1.28 1.64 1.05 1.51 0.64 1.38 0.66 0.32 0.81 2.49 1.44 1.22 0.71 2.29 1.25 1.03 1.60 1.36 0.60 1.70 1.54 1.45 2.13 2.78 0.70 1.27;
1.46 0.31 0.88 1.36 1.47 1.39 0.84 0.52 2.50 0.81 0.60 0.44 1.44 1.04 0.92 2.24 0.46 11.94 1.94 0.77 2.78 0.98 0.58 0.99 0.74 3.00 1.70 2.96 0.65 1.61 0.59 1.82 7.17 1.84 1.65 0.65 5.47 0.65 0.89 1.57 1.01 0.99 0.42 0.85 1.68 0.73 3.08 3.31 0.84 1.68 0.78 0.56 0.61 0.33 1.24 1.28 0.58 1.26 0.51 1.31 0.63 0.24 0.53 0.45 1.39 0.81 0.58 1.83 1.09 0.50 0.95 1.12 0.51 1.49 0.62 1.09 1.38 2.52 0.69 1.00;
1.39 0.17 0.20 0.52 0.79 0.42 0.26 0.17 1.11 0.04 0.19 0.25 0.72 0.45 0.20 1.59 0.27 10.85 0.47 0.33 0.52 0.28 0.16 0.39 0.27 0.87 0.19 2.25 0.12 0.64 0.29 0.50 2.32 0.47 0.53 0.18 0.74 0.49 0.40 0.56 0.41 0.23 0.08 0.13 0.37 0.13 2.08 1.57 0.08 0.37 0.18 0.08 0.20 0.05 0.48 0.36 0.23 0.17 0.24 0.07 0.18 0.06 0.36 0.40 0.38 0.27 0.25 0.68 0.55 0.21 0.44 0.36 0.06 1.03 0.25 0.26 1.06 0.53 0.18 0.23;
0.43 0.50 0.59 0.52 0.31 0.39 0.85 0.83 0.25 0.74 0.57 0.65 0.60 0.58 0.63 0.25 0.72 0.06 0.43 0.68 0.48 0.57 0.47 0.70 0.62 0.18 0.34 0.29 0.69 0.33 0.53 0.44 0.11 0.27 0.32 0.80 0.08 0.39 0.61 0.36 0.29 0.55 0.58 0.75 0.45 0.61 0.19 0.16 0.64 0.43 0.62 0.52 0.65 0.86 0.53 0.37 0.53 0.60 0.48 0.78 0.67 0.73 0.59 0.46 0.51 0.45 0.64 0.34 0.30 0.50 0.51 0.38 0.70 0.41 0.74 0.56 0.41 0.33 0.32 0.42;
0.13 0.12 0.03 0.07 0.15 0.08 0.05 0.03 -0.01 0.09 0.03 0.03 0.06 0.09 0.06 0.06 0.05 0.04 0.05 0.03 0.06 0.04 0.05 0.07 0.08 0.19 0.14 -0.05 0.03 0.20 0.06 0.03 0.19 0.14 0.07 0.02 0.06 0.04 0.07 0.04 0.11 0.03 0.04 0.07 0.06 0.05 0.10 0.09 0.07 0.10 0.02 0.04 0.14 0.04 0.04 0.08 0.03 0.06 0.14 0.02 0.03 0.04 0.06 0.03 0.12 -0.02 0.07 0.04 0.05 -0.08 0.09 0.10 -0.03 0.08 0.08 0.05 0.03 0.09 0.07 0.06;
0.11 0.09 0.04 0.05 0.12 0.08 0.02 0.01 -0.01 0.06 0.02 0.01 0.05 0.07 0.05 0.05 0.03 0.04 0.03 0.02 0.06 0.01 0.03 0.06 0.04 0.16 0.11 -0.05 0.02 0.17 0.05 0.02 0.17 0.13 0.06 -0.02 0.04 0.03 0.04 0.03 0.09 0.02 0.01 0.03 0.04 0.02 0.08 0.07 0.07 0.09 0.00 0.02 0.11 0.00 0.02 0.06 0.02 0.04 0.10 0.00 0.01 0.02 0.03 0.01 0.09 -0.03 0.03 0.03 0.04 -0.10 0.06 0.09 -0.04 0.06 0.05 0.03 0.02 0.09 0.04 0.05;
0.19 0.18 0.09 0.11 0.17 0.13 0.16 0.06 -0.02 0.26 0.04 0.02 0.14 0.15 0.12 0.07 0.10 0.05 0.05 0.07 0.11 0.03 0.06 0.20 0.12 0.20 0.17 -0.07 0.07 0.25 0.10 0.04 0.19 0.19 0.09 -0.09 0.05 0.04 0.10 0.04 0.14 0.04 0.03 0.11 0.07 0.05 0.11 0.09 0.19 0.16 0.01 0.07 0.42 -0.01 0.05 0.10 0.03 0.10 0.21 0.01 0.04 0.09 0.09 0.02 0.19 -0.06 0.10 0.05 0.05 -0.19 0.13 0.14 -0.13 0.09 0.19 0.08 0.04 0.13 0.06 0.09;
0.21 0.43 0.04 0.03 0.23 0.11 0.14 0.05 -0.05 0.03 0.03 0.04 0.06 0.11 0.05 1.20 0.08 0.07 0.11 0.04 0.10 0.02 0.07 0.07 0.08 0.28 0.12 -0.21 0.03 0.27 0.05 0.02 0.28 0.11 0.07 -0.01 0.11 0.07 0.08 0.03 0.08 0.04 0.01 0.00 0.08 0.04 0.16 0.10 0.04 0.14 0.01 0.03 0.09 0.00 0.05 0.06 0.03 0.03 0.21 0.01 0.04 0.05 0.03 0.04 0.29 -0.07 0.07 0.05 0.14 -0.71 0.25 0.11 -0.11 0.65 0.22 0.08 0.03 0.14 0.27 0.07;
0.72 0.95 0.99 0.97 0.69 0.98 0.85 0.89 1.10 0.96 1.00 1.02 0.93 0.96 0.94 0.74 0.89 0.95 0.93 1.00 0.98 1.01 0.92 0.92 0.91 0.69 0.87 1.25 1.00 0.68 0.94 0.97 0.68 0.90 0.93 1.02 0.86 0.96 0.94 0.97 0.90 0.97 0.99 0.99 0.91 0.94 0.81 0.93 0.99 0.82 0.99 0.98 0.90 1.13 0.94 0.96 0.98 0.98 0.76 0.99 0.97 0.96 0.97 0.87 0.79 1.05 0.91 0.96 0.87 1.08 0.89 0.89 1.12 0.76 0.77 0.91 0.97 0.86 0.78 0.93;
50.45 986.91 10.14 5.10 25.51 4.74 65.73 74.26 3.53 4.43 5.22 39.23 4.41 3.90 2.51 13.57 6.00 265.14 2.68 8.00 3.49 3.99 61.71 11.92 12.93 10.43 17.30 11.54 4.57 8.57 15.91 2.43 2.37 71.41 3.52 54.15 3.96 7.73 26.61 5.60 69.26 5.08 18.01 24.85 3.65 5.31 6.89 6.80 12.15 3.04 1.48 23.99 30.77 82.93 7.17 7.65 9.73 3.04 8.08 0.89 4.73 60.04 61.01 329.03 1.55 4.71 14.46 2.64 6.51 5.56 5.35 6.49 3.95 4.80 114.51 1.96 9.00 2.11 8.07 3.75;
0.87 0.19 7.96 9.31 0.54 9.91 0.21 0.15 3.19 7.13 8.59 2.58 16.65 4.32 3.12 393.65 0.43 67.08 3.38 5.64 67.71 4.27 3.34 6.10 11.10 0.72 1.99 1.48 3.34 0.44 4.38 6.94 0.94 10.60 5.99 11.38 0.88 13.93 10.75 4.34 3.39 4.78 16.31 22.32 2.31 1.04 5.01 6.75 9.18 2.49 4.06 4.82 9.91 2.97 22.22 6.99 3.82 9.47 3.70 11.07 28.99 11.22 8.98 0.17 4.46 2.74 6.77 3.38 6.04 0.65 0.79 3.15 12.14 2.84 0.28 2.11 2.10 5.13 70.98 5.81;
0.50 0.21 1.00 1.68 0.50 0.71 0.17 0.18 0.29 2.10 0.50 0.12 0.87 0.64 0.84 0.04 0.35 0.64 0.25 0.64 0.61 0.72 0.49 0.81 0.52 0.56 0.92 0.22 0.67 0.64 0.93 1.10 0.60 1.18 0.94 3.16 0.41 0.34 0.50 0.91 1.13 0.57 1.61 5.65 0.51 0.43 0.54 0.75 1.66 0.65 0.33 0.84 1.20 0.35 0.47 1.06 0.63 1.46 0.51 0.49 0.31 0.49 1.22 0.23 0.30 0.51 0.53 0.60 0.26 0.13 0.25 0.78 0.38 0.09 0.23 0.44 0.72 0.62 0.15 0.74;
0.08 0.25 -0.06 0.29 0.17 0.13 0.20 0.06 0.10 0.16 1.02 0.01 0.00 0.05 0.24 0.11 0.23 0.04 0.01 0.20 0.07 0.11 5.71 0.08 0.51 0.12 0.10 -0.07 0.11 0.28 0.12 0.03 0.15 0.06 0.07 -0.10 0.09 0.04 0.07 0.04 0.03 0.14 0.06 0.08 0.07 -0.17 0.04 0.01 0.01 0.18 0.07 2.41 0.00 -0.01 0.00 0.14 0.22 0.32 0.03 -0.01 0.45 0.01 0.12 -0.06 0.09 -0.03 0.12 0.02 0.11 -0.14 0.18 0.11 0.02 0.29 0.27 0.20 0.06 0.08 0.00 0.08;
-0.05 13.06 -0.01 0.17 1.70 0.07 0.16 -0.32 -1.85 0.44 0.22 0.64 0.14 0.52 0.05 0.12 0.30 -0.28 0.67 0.15 0.08 -0.48 2.15 0.27 18.52 0.02 0.05 -4.85 1.19 0.58 0.24 0.36 0.17 -0.11 0.37 -1.93 2.15 10.46 0.13 -0.05 0.20 -0.12 -0.40 0.72 0.07 -0.08 -0.47 0.67 -0.31 1.31 -0.78 1.07 0.62 -1.21 -0.04 0.11 2.70 -0.35 0.64 -0.81 0.89 0.07 0.25 -0.76 0.40 -7.94 0.17 -0.16 0.07 -19.03 0.01 0.11 -34.34 0.09 0.30 0.55 0.04 0.17 0.46 0.20;
1.90 -0.76 0.74 0.98 2.13 0.39 -0.93 7.23 0.00 0.23 3.62 12.45 0.30 0.04 -0.26 0.21 -0.64 0.70 1.47 2.58 1.57 4.74 1.93 1.91 2.55 0.48 0.80 0.00 1.42 0.60 1.26 4.54 0.41 0.56 1.39 0.00 -2.78 1.63 2.49 1.87 0.22 3.83 2.10 2.99 1.77 8.58 1.18 2.25 2.41 1.50 0.74 0.58 5.88 -35.68 -1.78 1.67 0.00 2.96 1.66 0.25 -2.27 1.33 -20.43 4.53 3.74 2.27 2.06 -20.32 4.20 1.04 0.00 3.33 0.00 0.17 1.56 0.00 -0.02 1.30 0.00 0.84;
2.31 -8.34 0.44 1.08 2.63 0.80 -1.48 7.40 26.38 0.21 0.89 2.81 0.28 0.10 -0.19 0.77 -0.52 1.25 0.58 1.13 2.98 2.49 0.91 1.28 1.31 0.50 0.85 -0.03 0.78 0.56 0.57 2.88 0.41 0.40 0.84 -1.03 -1.93 0.87 1.99 0.65 0.18 2.01 0.62 3.02 1.23 8.96 0.62 1.96 -3.17 1.63 0.85 0.38 0.82 0.81 -0.81 1.24 0.39 1.13 1.61 0.06 -2.87 0.87 -5.27 1.29 1.48 1.32 0.44 -14.20 1.13 0.71 2.22 1.65 0.39 0.11 1.25 1.16 -0.02 1.05 17.24 1.49];
y1 = [413780531.00 -43370157.68 -23737334.62 701678157.63 330997919.09 431431381.24 272369324.45 270422733.34 -259890999.51 460340947.33 -313033741.33 -517781940.27 361800352.72 632781743.78 174632155.06 104420707.65 -6550139.27 -22485848.31 -105222601.30 184325347.50 115519171.71 -139046788.96 -53940043.14 5834873242.43 1054578865.11 1534786039.94 2291042908.98 -75048374.92 -52384175.22 1256862558.00 100513069.00 -7649714.17 664659721.73 395748692.30 130747343.41 -389994618.20 -17052840.91 -93564022.98 316071633.13 -4597156.17 489181500.69 203628483.82 -103316856.32 268910491.08 191237581.82 -17983522.72 134281932.52 114300921.72 941816756.74 167569450.51 -76223446.21 -70493226.97 6878604792.46 -207191048.13 -339698175.82 1102413719.87 -112842119.81 307790415.30 124081944.07 -161746418.07 -89594270.79 686791300.28 187325728.13 -229851711.70 475098365.34 -649595809.88 707609549.27 -3983954.40 -133829690.11 -537152461.10 785385645.34 1004817804.58 -1356537415.57 1250047795.30 13562510853.63 291556808.13 -18085974.61 222204893.68 -8393599.70 124593763.44];
%输入数据矩阵
p=x1;
%目标数据矩阵
t=y1;

%% 数据归一化
[normInput,ps] = mapminmax(p,-1,1);
[normTarget,ts] = mapminmax(t,0,1);

%数据乱序及分类处理
testPercent = 0.0;
validatePercent =0.125;
[trainSamples,validateSamples,testSamples] =dividevec(p,t,validatePercent,testPercent);

%% BP神经网络创建、训练及仿真测试
%%
%1创建网络
NodeNum1=16; % 输入层节点数
NodeNum2=7; % 隐含层节点数
TypeNum=1; % 输出层节点数
TF1=‘tansig’;TF2=‘tansig’;TF3=‘logsig’;%各层传输函数
net=newff(minmax(normInput),[NodeNum1,NodeNum2,TypeNum],{TF1 TF2 TF3},‘traingdx’);

%2设置训练参数
net.trainParam.epochs=10000;%最大训练次数
net.trainParam.goal=1e-3;%训练目标
net.trainParam.lr=0.05; %学习速率

%3指定训练参数
net.trainfcn=‘traingdx’;
[net,tr] = train(net,trainSamples.P,trainSamples.T,[],[],validateSamples,testSamples);

%4仿真
[normTrainOutput, ~, ~] = sim(net, trainSamples.P, [], [], trainSamples.T);
[normValidateOutput, ~, ~] = sim(net, validateSamples.P, [], [], validateSamples.T);
[normTestOutput,Xf,Af] = sim(net, testSamples.P, [], [], testSamples.T);

%5仿真结果反归一化
trainOutput = mapminmax(‘reverse’,normTrainOutput,ts);
trainInsect = mapminmax(‘reverse’,trainSamples.T,ts);
validateOutput = mapminmax(‘reverse’,normValidateOutput,ts);
validateInsect = mapminmax(‘reverse’,validateSamples.T,ts);

%% 绘图
figure
plot(1:16,[trainOutput validateOutput],‘b:*’,1:16,[trainInsect validateInsect],‘r-o’)
legend(‘真实值’,‘预测值’)
xlabel(‘x’)
ylabel(‘y’)

一直显示：

第一次写BP神经网络，求指点【哭脸】相关推荐

用python写bp神经网络作价格预测_bp神经网络预测python
一文详解神经网络 BP 算法原理及 Python 实现什么是梯度下降和链式求导法则假设我们有一个函数 J(w),如下图所示. 梯度下降示意图现在,我们要求当 w 等于什么的时候,J(w) 能够取 ...
BP神经网络python代码详细解答（来自原文翻译）
翻译如下 ** <font color=black size=6.5> 在 SCRATCH采用python 上实现一种神经网络 ** 注: Scratch是一款由麻省理工学 ...
深度学习（神经网络） —— BP神经网络原理推导及python实现
深度学习(神经网络) -- BP神经网络原理推导及python实现摘要 (一)BP神经网络简介 1.神经网络权值调整的一般形式为: 2.BP神经网络中关于学习信号的求取方法: (二)BP神经网络原理 ...
Matlab BP神经网络拟合四足机器人足端轨迹线积分方程反函数用于足端轨迹规划
Matlab BP神经网络拟合四足机器人足端轨迹线积分方程用于足端轨迹规划问题描述一般情况下,在对四足机器人足端轨迹进行规划时分别对足端路径和轨迹加速度进行规划,然后将规划好的加速度进行两次积分得 ...
BP神经网络理解原理——用Python编程实现识别手写数字(翻译英文文献)
BP神经网络理解原理--用Python编程实现识别手写数字备注,这里可以用这个方法在csdn中编辑公式: https://www.zybuluo.com/codeep/note/163962 一 ...
Java实现手写数字的识别（BP神经网络的运用）
最近对机器学习方面的知识有点感兴趣,所以特别的对神经网络方面的知识进行了了解.然而,发现大部分的人都是通过Python或者R语言及其Matlab来进行实验的,而自己却还没有时间进行学习,而且对Java ...
python实现神经网络数字识别_PYTHON搭建BP神经网络，并实现手写数字识别
基本思路: 1.定义神经网络:定义输入层→定义隐藏层→定义输出层→找到权重和偏差→设置学习率→设置激活函数 2.定义训练网络:根据训练样本给出输出→根据输出结果,计算误差,根据误差反向更新隐藏层权重 ...
基于matlab BP神经网络的手写数字识别
摘要本文实现了基于MATLAB关于神经网络的手写数字识别算法的设计过程,采用神经网络中反向传播神经网络(即BP神经网络)对手写数字的识别,由MATLAB对图片进行读入.灰度化以及二值化等处理,通过神 ...
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别摘要本文实现了基于MATLAB关于神经网络的手写数字识别算法的设计过程,采用神经网络中反向传播神经网络(即BP神经网络)对手写数字的识别,由MATLAB对图片进行读入 ...

第一次写BP神经网络，求指点【哭脸】

第一次写BP神经网络，求指点【哭脸】相关推荐

最新文章

热门文章