clc

clear?all

close?all

%bp?神經(jīng)網(wǎng)絡(luò)的預(yù)測代碼

%載入輸出和輸入數(shù)據(jù)

p=[61
61
61
61
61
61
61
61
61
61
61
63
63
63
63
64
64
64
64
64
]‘;
%load?C:\Users\amzon\Desktop\p.txt;

t=[66
66
67
67
67
67
64
64
67
67
67
67
67
67
67
67
67
67
64
64
64
64
64
64
67
67
67
67
67
66
66
66
61
61
61
61
61
61
55
55
61
61
66
66
66
66
66
68
68
68
65
65
65
65
66
66
66
66
66
]‘;
%load?C:\Users\amzon\Desktop\t.txt;

%保存數(shù)據(jù)到matlab的工作路徑里面

save?p.mat;

save?t.mat;?%注意t必須為行向量

%賦值給輸出p和輸入t

p=p;

t=t;

%數(shù)據(jù)的歸一化處理，利用mapminmax函數(shù)，使數(shù)值歸一化到[-1.1]之間

%該函數(shù)使用方法如下：[yps]?=mapminmax（xyminymax），x需歸化的數(shù)據(jù)輸入，

%ymin，ymax為需歸化到的范圍，不填默認(rèn)為歸化到[-11]

%返回歸化后的值y，以及參數(shù)ps，ps在結(jié)果反歸一化中，需要調(diào)用

[p1ps]=mapminmax（p）;

[t1ts]=mapminmax（t）;

%確定訓(xùn)練數(shù)據(jù)，測試數(shù)據(jù)一般是隨機的從樣本中選取70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)

%15%的數(shù)據(jù)作為測試數(shù)據(jù)，一般是使用函數(shù)dividerand，其一般的使用方法如下：

%[trainIndvalIndtestInd]?=?dividerand（QtrainRatiovalRatiotestRatio）

[trainsample.pvalsample.ptestsample.p]?=dividerand（p0.70.150.15）;

[trainsample.tvalsample.ttestsample.t]?=dividerand（t0.70.150.15）;

%建立反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)，使用newff函數(shù)，其一般的使用方法如下

%net?=?newff（minmax（p）[隱層的神經(jīng)元的個數(shù)，輸出層的神經(jīng)元的個數(shù)]{隱層神經(jīng)元的傳輸函數(shù)，輸出層的傳輸函數(shù)｝‘反向傳播的訓(xùn)練函數(shù)‘）其中p為輸入數(shù)據(jù)，t為輸出數(shù)據(jù)

%tf為神經(jīng)網(wǎng)絡(luò)的傳輸函數(shù)，默認(rèn)為‘tansig‘函數(shù)為隱層的傳輸函數(shù)，

%purelin函數(shù)為輸出層的傳輸函數(shù)

%一般在這里還有其他的傳輸?shù)暮瘮?shù)一般的如下，如果預(yù)測出來的效果不是很好，可以調(diào)節(jié)

%TF1?=?‘tansig‘;TF2?=?‘logsig‘;

%TF1?=?‘logsig‘;TF2?=?‘purelin‘;

%TF1?=?‘logsig‘;TF2?=?‘logsig‘;

%TF1?=?‘purelin‘;TF2?=?‘purelin‘;

TF1=‘tansig‘;TF2=‘purelin‘;

net=newff（minmax（p）[101]{TF1?TF2}‘traingdm‘）;%網(wǎng)絡(luò)創(chuàng)建

%網(wǎng)絡(luò)參數(shù)的設(shè)置

net.trainParam.epochs=10000;%訓(xùn)練次數(shù)設(shè)置

net.trainParam.goal=1e-7;%訓(xùn)練目標(biāo)設(shè)置

net.trainParam.lr=0.01;%學(xué)習(xí)率設(shè)置應(yīng)設(shè)置為較少值，太大雖然會在開始加快收斂速度，但臨近最佳點時，會產(chǎn)生動蕩，而致使無法收斂

net.trainParam.mc=0.9;%動量因子的設(shè)置，默認(rèn)為0.9

net.trainParam.show=25;%顯示的間隔次數(shù)

%?指定訓(xùn)練參數(shù)

%?net.trainFcn?=?‘traingd‘;?%?梯度下降算法

%?net.trainFcn?=?‘traingdm‘;?%?動量梯度下降算法

%?net.trainFcn?=?‘traingda‘;?%?變學(xué)習(xí)率梯度下降算法

%?net.trainFcn?=?‘traingdx‘;?%?變學(xué)習(xí)率動量梯度下降算法

%?（大型網(wǎng)絡(luò)的首選算法）

%?net.trainFcn?=?‘trainrp‘;?%?RPROP（彈性BP）算法內(nèi)存需求最小

%?共軛梯度算法

%?net.trainFcn?=?‘trai