clc ; clear ;


INPUT = xlsread('input.xls');
input = INPUT;
output = xlsread('output.xls');
k = rand(1,2000); %1x2000的矩陣
[m,n] = sort(k); % n是下標矩陣 ， 用來隨機選取數據


%訓練數據
input_train = input(n(1:1900),:)';
output_train = output(n(1:1900),:)';
%測試數據
input_test = input(n(1901:2000),:)';
output_test = output(n(1901:2000),:)';


%訓練數據歸一化
[inputn , inputps] = mapminmax(input_train); %inputn 歸一化之后的數據
[outputn , outputps] = mapminmax(output_train);
inputn_test = mapminmax('apply',input_test , inputps); %與訓練數據同樣的映射 inputps




%BP神經網絡構建
net = newff(inputn , outputn , 5);


%網絡參數配置 (迭代次數 ， 學習率 ， 目標)
net.trainParam.epochs = 100 ;
net.trainParam.lr = 0.1;
net.trainParam.goal = 0.00004 ;


%訓練
net = train(net ,inputn , outputn);


% 訓練結果權值， 閾值
InputWeights = net.iw{1,1} ; %輸入層到隱層的權值
LayerWeights = net.lw{2,1}; % 隱層到輸出層的權值


bias1 = net.b{1};%隱層閾值
bias2 = net.b{2};%輸出層閾值


%預測
an = sim(net , inputn_test);


%輸出結果反歸一化
BPoutput = mapminmax('reverse',an , outputps);


%
figure(1)
plot(BPoutput , ':og');
hold on;
plot(output_test , '- *');
legend('預測輸出','期望輸出');
title ('BP網絡預測輸出','fontsize',12);
ylabel ('函數輸出','fontsize',12);
xlabel('樣本','fontsize',12)
figure(2);
ms = output_test - BPoutput ;
plot(ms,'- *');
title ('預測誤差','fontsize',12);
ylabel ('誤差','fontsize',12);
xlabel('樣本','fontsize',12)

總結

以上是生活随笔為你收集整理的神经网络预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。