【MATLAB第14期】#源码分享| 基于多层前馈神经网络的回归预测模型代码分享，多参数多图调整

【MATLAB第14期】#源码分享| 基于多层前馈神经网络的回归预测模型代码分享，多参数多图调整

一、前馈网络和BP网络的区别

1.前馈神经网络

一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，一直到输出层结束。前馈是指输出入方向是前向，此过程不调整权值。神经元之间不存在跨层连接、同层连接，输入层用于数据的输入，隐含层与输出层神经元对数据进行加工。

2.反向传播算法

（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。

3.BP神经网络：

也是前馈神经网络，只是它的参数权重值是由反向传播学习算法调整的。

4.总结：

前馈描述的是网络的结构，指的是网络的信息流是单向的，不会构成环路。它是和“递归网络”(RNN)相对的概念；BP算法是一类训练方法，可以应用于FFNN，也可以应用于RNN，而且BP也并不是唯一的训练方法，其他可用的还有比如遗传算法（GA）等。所以BP神经网络属于前馈网络，前馈网络不一定是BP网络（还可以用别的算法训练权值参数）

二、源码分享

close all;
clear all;
clc
load data.mat; % 载入数据
net = feedforwardnet([10,10]); % 创建网络，n为隐藏层神经元个数
net.divideFcn = 'dividerand'; % 随机分配
net.divideMode = 'sample'; %分割每个样本
net.divideParam.trainRatio = 70/100; % 训练集分配比例
net.divideParam.valRatio = 30/100; % 预测集分配比例
net.divideParam.testRatio = 0/100;  % 测试集分配比例
net.trainFcn = 'trainlm';  % LM
net.performFcn = 'mse';  % MSE
net.plotFcns = {'plotperform','plottrainstate','ploterrhist', 'plotregression'};  % 画图
net.trainParam.show = 5;
net.trainParam.epochs = 10000;
net.trainParam.goal = 1e-7; % 训练目标
net.trainParam.max_fail = 25;  % 最大失败次数 25
inputs = inputs';
targets = targets';
% 训练网络
[net,tr] = train(net,inputs,targets)
% 测试网络
outputs = net(inputs);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)
% 获得训练、验证和测试的结果
trainTargets = targets .* tr.trainMask{1};
valTargets = targets .* tr.valMask{1};
testTargets = targets .* tr.testMask{1};
trainPerformance = perform(net,trainTargets,outputs)
valPerformance = perform(net,valTargets,outputs)
testPerformance = perform(net,testTargets,outputs)
% 根据画图的结果，决定是否满意
figure, plotperform(tr)
figure, plottrainstate(tr)
figure, plotconfusion(targets,outputs)
figure, ploterrhist(errors)

三、数据获取

后台私聊，回复“14”即可免费获取下载链接。