如何利用matlab做BP神经网络分析（包括利用matlab神经网络工具箱）
如何利用matlab做BP神经网络分析（包括利用matlab神经网络工具箱）
转载：https://blog.csdn.net/xgxyxs/article/details/53265318
最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测
-
clc
-
-
clear all
-
-
close all
-
-
%bp 神经网络的预测代码
-
-
%载入输出和输入数据
-
-
load C:\Users\amzon\Desktop\p.txt;
-
-
load C:\Users\amzon\Desktop\t.txt;
-
-
%保存数据到matlab的工作路径里面
-
-
save p.mat;
-
-
save t.mat;%注意t必须为行向量
-
-
%赋值给输出p和输入t
-
-
p=p;
-
-
t=t;
-
-
%数据的归一化处理，利用mapminmax函数，使数值归一化到[-
1.1]之间
-
-
%该函数使用方法如下：[
y,ps] =mapminmax(
x,ymin,ymax)，
x需归化的数据输入，
-
-
%ymin，ymax为需归化到的范围，不填默认为归化到[-
1,
1]
-
-
%返回归化后的值
y，以及参数ps，ps在结果反归一化中，需要调用
-
-
[p1,ps]=mapminmax(p);
-
-
[t1,ts]=mapminmax(t);
-
-
%确定训练数据，测试数据,一般是随机的从样本中选取
70%的数据作为训练数据
-
-
%15%的数据作为测试数据，一般是使用函数dividerand，其一般的使用方法如下：
-
-
%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
-
-
[trainsample.p,valsample.p,testsample.p] =dividerand(p,
0.
7,
0.
15,
0.
15);
-
-
[trainsample.t,valsample.t,testsample.t] =dividerand(t,
0.
7,
0.
15,
0.
15);
-
-
%建立反向传播算法的BP神经网络，使用newff函数，其一般的使用方法如下
-
-
%net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,
'反向传播的训练函数'),其中p为输入数据，t为输出数据
-
-
%tf为神经网络的传输函数，默认为
'tansig'函数为隐层的传输函数，
-
-
%purelin函数为输出层的传输函数
-
-
%一般在这里还有其他的传输的函数一般的如下，如果预测出来的效果不是很好，可以调节
-
-
%TF1 =
'tansig';TF2 =
'logsig';
-
-
%TF1 =
'logsig';TF2 =
'purelin';
-
-
%TF1 =
'logsig';TF2 =
'logsig';
-
-
%TF1 =
'purelin';TF2 =
'purelin';
-
-
TF1=
'tansig';TF2=
'purelin';
-
-
net=newff(minmax(p),[
10,
1],{TF1 TF2},
'traingdm');%网络创建
-
-
%网络参数的设置
-
-
net.trainParam.epochs=
10000;%训练次数设置
-
-
net.trainParam.goal=
1e-
7;%训练目标设置
-
-
net.trainParam.lr=
0.
01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛
-
-
net.trainParam.mc=
0.
9;%动量因子的设置，默认为
0.
9
-
-
net.trainParam.show=
25;%显示的间隔次数
-
-
% 指定训练参数
-
-
% net.trainFcn =
'traingd'; % 梯度下降算法
-
-
% net.trainFcn =
'traingdm'; % 动量梯度下降算法
-
-
% net.trainFcn =
'traingda'; % 变学习率梯度下降算法
-
-
% net.trainFcn =
'traingdx'; % 变学习率动量梯度下降算法
-
-
% (大型网络的首选算法)
-
-
% net.trainFcn =
'trainrp'; % RPROP(弹性BP)算法,内存需求最小
-
-
% 共轭梯度算法
-
-
% net.trainFcn =
'traincgf'; %Fletcher-Reeves修正算法
-
-
% net.trainFcn =
'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
-
-
% net.trainFcn =
'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
-
-
% (大型网络的首选算法)
-
-
%net.trainFcn =
'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
-
-
% net.trainFcn =
'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
-
-
% net.trainFcn =
'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
-
-
% (中型网络的首选算法)
-
-
%net.trainFcn =
'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快
-
-
% net.trainFcn =
'trainbr'; % 贝叶斯正则化算法
-
-
% 有代表性的五种算法为:
'traingdx',
'trainrp',
'trainscg',
'trainoss',
'trainlm'
-
-
%在这里一般是选取
'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法
-
-
net.trainFcn=
'trainlm';
-
-
[net,
tr]=train(net,trainsample.p,trainsample.t);
-
-
%计算仿真，其一般用sim函数
-
-
[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果
-
-
[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果
-
-
[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果
-
-
%将所得的结果进行反归一化，得到其拟合的数据
-
-
trainoutput=mapminmax(
'reverse',normtrainoutput,ts);
-
-
validateoutput=mapminmax(
'reverse',normvalidateoutput,ts);
-
-
testoutput=mapminmax(
'reverse',normtestoutput,ts);
-
-
%正常输入的数据的反归一化的处理，得到其正式值
-
-
trainvalue=mapminmax(
'reverse',trainsample.t,ts);%正常的验证数据
-
-
validatevalue=mapminmax(
'reverse',valsample.t,ts);%正常的验证的数据
-
-
testvalue=mapminmax(
'reverse',testsample.t,ts);%正常的测试数据
-
-
%做预测，输入要预测的数据pnew
-
-
pnew=[
313,
256,
239]
';
-
-
pnewn=mapminmax(pnew);
-
-
anewn=sim(net,pnewn);
-
-
anew=mapminmax('
reverse
',anewn,ts);
-
-
%绝对误差的计算
-
-
errors=trainvalue-trainoutput;
-
-
%plotregression拟合图
-
-
figure,plotregression(trainvalue,trainoutput)
-
-
%误差图
-
-
figure,plot(1:length(errors),errors,'-b
')
-
-
title('误差变化图
')
-
-
%误差值的正态性的检验
-
-
figure,hist(errors);%频数直方图
-
-
figure,normplot(errors);%Q-Q图
-
-
[muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间
-
-
[h1,sig,ci]= ttest(errors,muhat);%假设检验
-
-
figure, ploterrcorr(errors);%绘制误差的自相关图
-
-
figure, parcorr(errors);%绘制偏相关图
运行之后的，结果如下：
BP神经网络的结果分析图
训练数据的梯度和均方误差之间的关系图
验证数据的梯度与学习次数
残差的正态的检验图（Q-Q图）
在网上，发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下：
1：在输入命令里面输入nntool命令，或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序，点击打开，就能看见如下界面
2：输入数据和输出数据的导入（在本文中选取了matlab自带的案例数据）
3：随机选择三种类型的数据所占的样本量的比例，一般选取默认即可
4：隐层神经元的确定
5：训练算法的选取，一般是选择默认即可，选择完成后点击
6：根据得到的结果，一般是MSE的值越小，R值越接近1，其训练的效果比较，并第二张图给出了神经网络的各参数的设置以及其最终的结果，其拟合图R越接近1，模型拟合的更好
最终的结果图
7：如果所得到的模型不能满足你的需求，则需重复上述的步骤直至能够得到你想要的精确度
8：将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值
MATLAB 与神经网络相关的函数总结如下：
Save