bp神经网络预测汽油浓度

通过一个实例来说明BP神经网络做预测分析，有数据和代码

%% I. 清空环境变量
clear all
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（NIR1））;      %打乱60个样本排序
% 训练集——50个样本
P_train = NIR（temp（1:50）:）‘;      
T_train = octane（temp（1:50）:）‘;
% 测试集——10个样本
P_test = NIR（temp（51:end）:）‘;
T_test = octane（temp（51:end）:）‘;
N = size（P_test2）;

%% III. 数据归一化
[p_train ps_input] = mapminmax（P_train01）;
p_test = mapminmax（‘apply‘P_testps_input）;

[t_train ps_output] = mapminmax（T_train01）;              

%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff（p_traint_train9）;    %9是隐含层神经元的个数（大家改改测试下结果影响），连接权值是3628，讲一下怎么计算得到的

%%
% 2. 设置训练参数
net.trainParam.epochs = 1000;   %迭代次数
net.trainParam.goal = 1e-3;      %mse均方根误差小于这个值训练结束
net.trainParam.lr = 0.01;         %学习率

%%
% 3. 训练网络
net = train（netp_traint_train）;

%%
% 4. 仿真测试
t_sim = sim（netp_test）;         %返回10个样本的预测值

%%
% 5. 数据反归一化
T_sim = mapminmax（‘reverse‘t_simps_output）;   %反归一化结果

%% 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‘]     %输出真实值，预测值，误差

%% VI. 绘图
figure
plot（1:NT_test‘b:*‘1:NT_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）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1706  2017-12-06 19:13  main.m

     文件     171497  2017-12-06 19:13  spectra_data.mat

----------- ---------  ---------- -----  ----

               173203                    2