人工神经网络（ANN）程序

clc;clear;close all
disp（‘PLS预测的RMSECVRMSEP训练集及预测集的R‘）
load TenSesameAddSoybeanOil_NIR_20150121
meanornot = 1;
mean_method = 1;
switch mean_method
    case 1
       for i = 1:50
        Spectra（i:）= mean（spectra（3*i-2:3*i:））;             
       end
       Target = target;
    case 2
       Spectra = spectra;
       Target（（3*i-2）:（3*i））  = target（i）; 
end
for columm  = 1;
    name   = ynames;
disp（name{columm}）;
%-----------------KS对数据划分，训练集2/3，预测集1/3-------------------------
[mn]                    = size（cal）;
[modeltest]             = kenstone（calfloor（2/3*m））;
x_train                  = cal（model:）;
x_pred                   = cal（test:）;
y_train                  = caltar（modelcolumm）;
y_pred                   = caltar（testcolumm）;
[m_trainn_train]        = size（x_train）;
%———————————----——数据中心化—————————--------------------
pretreatment = 3;%对于ANN，采用第2个中心化最好
switch pretreatment;
   case 1 %中心化
   mean_x_train         = mean（x_train）; 
   x_train              = x_train - repmat（mean_x_trainsize（x_train1）1）;
   x_pred               = x_pred - repmat（mean_x_trainsize（x_pred1）1）;
   mean_y_train         = mean（y_train）;
   y_train              = y_train - repmat（mean_y_trainsize（x_train1）1）; 
   case 2 %Normalize
   std_x_train          = std（x_train01）;
   mean_x_train         = mean（x_train1）;
   std_y_train          = std（y_train01）;
   mean_y_train         = mean（y_train）;   
   y_train              = （y_train - repmat（mean_y_trainsize（y_train1）1））./repmat（std_y_trainsize（y_train1）1）; 
   x_train              = （x_train-repmat（mean_x_trainsize（x_train1）1））./repmat（std_x_trainsize（x_train1）1）;
   x_pred               = （x_pred-repmat（mean_x_trainsize（x_pred1）1））./repmat（std_x_trainsize（x_pred1）1）;
   case 3  %最大最小归一化 
   [train_xps_x]       = mapminmax（x_train‘）;
   [train_yps_y]       = mapminmax（y_train‘）;
   x_train              = train_x‘;
   y_train              = train_y‘;
   pred_x               = mapminmax（‘apply‘x_pred‘ps_x）;
   x_pred               = pred_x‘;
   y_pred               = mapminmax（‘apply‘y_predps_y）;   
end
%-------------------------BP-ANN外部预测------------------------------------
disp（‘BP-ANN直接预测‘）;  %学习速率，动量项，隐含层节点数为nodenumber
net                    = newff（minmax（x_train‘）[nodenumber1]{‘tansig‘‘purelin‘}‘traingdm‘）;
%训练函数trainlm使用的学习算法为Levenberg-Marquadt，优点收敛速度快
%训练函数traingd使用的学习算法是梯度下降法，收敛速度很慢
%动量BP算法:训练函数traingdm（Gradient descent with momentum backpropagation）
%弹性BP算法：训练函数traingrp（）
%准牛顿BP算法：训练函数trainbfg（）
inputWeights           = net.IW{11};
inputbias              = net.b{1};
layerWeights           = net.LW{21}; 
layerbias              = net.b{2};    
%net.trainParam.show    = 50;   %训练显示间隔
net.trainParam.lr      = 0.01; %学习速率Learning rate，默认值0.01
%net.trainParam.mc      = 0.9;  %动量项Momentum constant，默认值0.9
net.trainParam.epochs  = 2000;  %最大训练次数  
net.trainParam.goal    = 1e-3;  
[nettr]