Matlab BP神经网络（下）

uperrua

归一化算法：
) s/ H( P0 t0 E3 b3 K* n(0,1):
4 H# b9 ^/ k4 Hy = ( x − m i n ) / ( m a x − m i n ) y=(x-min)/(max-min) y=(x−min)/(max−min)
(-1,1):
y = 2 ∗ ( x − m i n ) / ( m a x − m i n ) − 1 y=2*(x-min)/(max-min)-1 y=2∗(x−min)/(max−min)−1
' Q8 G1 s- I( D) s4 h) s0 j: @! H
6 t9 N4 ]7 e) p* N重点函数：
5 I# L+ W- }. J; T- }
# `! r, e7 F: y( o

• % mapminmax:归一化
• [Y, PS]=mapminmax(X,YMIN,YMAX)  % 把X归一化到（YMIN.YMAX）
• % Y:归一化得到的数据；
• % PS：结构体，里面是归一化的信息（最小值，最大值，范围等）
• Z=mapminmax('apply',X,PS)   % 利用PS信息对X进行归一化输出Z
• X=mapminmax('reverse',Y,PS) % 反归一化
  

( Z. w$ C' k! u6 u

" ~% W4 _* M/ n' x9 Y: z; g  Q' mS可以是数组[n1,n2,n3,…]设置多个隐藏层，每个神经元数目为n1,n2,n3.
4 C8 N- t8 p0 A* Y
$ c% O& v9 F4 i, l5 L& {+ W
( A8 P& Y: y* J, d
; p: N! c) W: Y- j" s, X, ~+ X
( [- L( l- p' O4 w
. M% N( e7 B; y2 K9 {/ c


; B+ K+ D; u! {8 x! i

例子：
5 C. f0 a2 i- ^7 c' O


5 b  h1 y1 }; |; h0 ]" w9 a0 O

  G6 c" F. l; `: a, D9 E

% {6 n- ?- ^# g, |2 }4 LNIR（输入数据）是一个60X401矩阵；
octane（目标数据）是一个60X1矩阵；

• %% I. 清空环境变量
• clear;clc
• %% II. 训练集/测试集产生
• %%
• % 1. 导入数据
• load spectra_data.mat
• %%
• % 2. 随机产生训练集和测试集
• temp = randperm(size(NIR,1));       % 随机索引
• % 训练集——50个样本
• P_train = NIR(temp(1:50),：）';       % 输入数据
• T_train = octane(temp(1:50),：）';    % 输入数据的目标值
• % 测试集——10个样本
• P_test = NIR(temp(51:end),：）';
• T_test = octane(temp(51:end),：）';
• N = size(P_test,2);
• %% III. 数据归一化
• % 输入数据归一化
• [p_train, ps_input] = mapminmax(P_train,0,1);
• p_test = mapminmax('apply',P_test,ps_input);
• % 目标值归一化
• [t_train, ps_output] = mapminmax(T_train,0,1);
• %% IV. BP神经网络创建、训练及仿真测试
• %%
• % 1. 创建网络
• net = newff(p_train,t_train,9);
• %%
• % 2. 设置训练参数
• net.trainParam.epochs = 1000;
• net.trainParam.goal = 1e-3;
• net.trainParam.lr = 0.01;
• %%
• % 3. 训练网络
• net = train(net,p_train,t_train);
• %net = newff(p_train,t_train,[9,4]);  %设置两个隐藏层，神经元个数分别为9，4
• %%
• % 4. 仿真测试
• t_sim = sim(net,p_test);      % Y=sim()
• %%
• % 5. 数据反归一化
• T_sim = mapminmax('reverse',t_sim,ps_output);
• %% V. 性能评价
• %%
• % 1. 相对误差error
• error = abs(T_sim - T_test)./T_test;
• %%
• % 2. 决定系数R^2
• 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));
• %%
• % 3. 结果对比
• result = [T_test' T_sim' error']
• %% VI. 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)
  

结果：

SsaaM7

Matlab BP神经网络（下）

ExxNEN

Matlab BP神经网络（下）

adogpp

Matlab BP神经网络（下）