一、工作流程

　　1、加載數據，產生訓練集與測試集（驗證集）

　　　　首先加載樣本，其中樣本的輸入叫做：特征（變量），其輸出值叫做：理想值，將樣本分為訓練樣本（學習所用）和測試樣本（效果測試仿真所用）

　　　　需要注意的是樣本矩陣的列代表的是樣本的個數，行代表每個樣本的數據

　　　　代碼如下：

　　　　load spectra_data.mat　　　　

　　　　%% 隨機產生訓練集測試集序列
　　　　temp = randperm(size(attributes,2));
　　　　%產生訓練集樣本
　　　　P_train = attributes(:,temp(1:80));%選取前80個作為訓練集樣本
　　　　T_train = strength(:,temp(1:80));
　　　　%產生測試集樣本
　　　　P_test = attributes(:,temp(81:end));%將80之后的樣本作為測試集樣本
　　　　T_test = strength(:,temp(81:end));

　　　　%保存測試集的樣本個數

　　　　N = size(P_test,2);

?

　　2、數據歸一化處理

　　　　由于輸入數據的單位不一樣，所以有些數據的范圍可能比較大，導致的結果可能是神經網絡收斂慢、訓練時間長

　　　　代碼如下：

　　　　%% 數據歸一化處理

　　　　%訓練集歸一化

　　　　[p_train,ps_input] = mapminmax(P_train,0,1);
　　　　[t_train,ps_output] = mapminmax(T_train,0,1);
　　　　%測試集輸入數據歸一化
　　　　p_test = mapminmax('apply',P_test,ps_input);? %將訓練集的歸一化的“標準”應用在測試集的歸一化上

?

　　3、神經網絡的創建、神經網絡的參數調整、神經網絡的訓練、神經網絡的仿真、仿真結果的反歸一化

　　　　代碼如下：

?

　　　　%% BP神經網絡創建、訓練及仿真測試
　　　　%創建網絡
　　　　net = newff(p_train,t_train,9);%創建一個具有9個神經元的bp神經網絡
　　　　%設置訓練參數
　　　　net.trainParam.epochs = 1000;%最多循環次數為1000次
　　　　net.trainParam.goal = 1e-3;%目標誤差小于。。。
　　　　net.trainParam.lr = 0.01;%學習率設定為0.01
　　　　%訓練網絡
　　　　net = train(net,p_train,t_train);
　　　　%仿真測試
　　　　t_sim = sim(net,p_test);
　　　　%數據反歸一化
　　　　T_sim = mapminmax('reverse',t_sim,ps_output);

?

　　4、神經網絡的性能評價（相對誤差計算、決定系數計算）

　　　　代碼如下：　　　　

　　　　%% 性能評價
　　　　%相對誤差
　　　　error = abs(T_sim - T_test)./T_test;
　　　　%決定系數
　　　　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));?

　　5、結果對比、繪圖處理

　　　　代碼如下：　　　　

　　　　%% 結果對比
　　　　result = [T_test' T_sim' error']

?

　　　　%% 繪圖
　　　　figure
　　　　plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
　　　　legend('標簽','標簽')
　　　　xlabel('標簽')
　　　　ylabel('標簽')
　　　　string = {'標題'};
　　　　title(string)

?

轉載于:https://www.cnblogs.com/KZLEARNER/p/8641051.html

總結

以上是生活随笔為你收集整理的Matlab-bp神经网络的全部內容，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。