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
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、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。

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))+10net=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<MSEMSE=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:lendisp([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）其他训练结果

四、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；
（3）有嫌挨个复制麻烦的小伙伴可私信我，我发完整代码，记得点个关注哦。

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）相关推荐

bp学习函数matlab代码,小范学数量经济学之四:BP神经网络预测的MATLAB模拟代码
股票价格预测神器:BP神经网络预测的matlab模拟代码: 自动优选神经元个数: 自动迭代15000次,精度0.001: 代码运行效果图: 原始代码自此处开始: % 本代码由重庆科技学院范巧副教授于2 ...
BP神经网络预测回归-BP多输入多输出预测-Matlab
一.前言之前发布了BP神经网络多数入单输出预测,那个代码不能直接用于多输出.今天搞一下BP的多输入多输出预测,随意设置多少个输出都行.话不多说,上才艺! 二.结果展示 (1)根据经验公式,通过输入输 ...
【优化预测】粒子群算法优化BP神经网络预测温度matlab源码
一.粒子群算法及RBF简介 1 粒子群算法简介 1.1 引言自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在.生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模 ...
【预测模型】基于BP神经网络预测价格matlab代码
1 简介 BP神经网络模型是目前应用最为广泛神经网络之一.它的本质是通过对历史数据的学习找出数据变化趋势之间的非线性关系,并通过输出量与预期值之间的误差不断调整网络中各个单元的权重,使整个网络的误差最 ...
MATLAB中BP神经网络用于回归拟合算法实现（另附GRNN代码）
BP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,是目前应用最广泛的神经网络.神经网络是把生活中的常见情节推 ...
优化算法 | 基于粒子群优化算法的Bp神经网络预测21~22赛季NBA总冠军（附MATLAB代码）
文章目录前言一.数据准备二.基于PSO的Bp神经网络预测 1.粒子表达方式 2.目标函数 3.粒子速度和位置的更新三.MATLAB代码四.预测结果五.代码获取方式总结近期你可能错过了的 ...
【13】数学建模 | 预测模型 | 灰色预测、BP神经网络预测 | 预测题型的思路 | 内附代码(清风课程，有版权问题，私聊删除)
一.灰色预测使用的场景数据是以年份度量的非负数据(如果是月份或者季度数据一定要用我们上一讲学过的时间序列模型): 数据能经过准指数规律的检验(除了前两期外,后面至少90%的期数的光滑比要低于0.5) ...
BP神经网络算法在MATLAB中的代码
BP神经网络算法在MATLAB中的代码通常包括以下步骤: 导入所需的库,如nnstart.patternnet和train. 准备训练数据和测试数据.这通常包括读取数据文件.将数据转换为矩阵的形式并分 ...
MATLAB中用BP神经网络预测人体脂肪百分比数据
原文链接:http://tecdat.cn/?p=22739 这个例子说明了一个函数拟合的神经网络如何根据测量结果来估计脂肪百分比(BFP) (点击文末"阅读原文"获取完整代码数据 ...

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

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、结语

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）相关推荐

最新文章

热门文章