【BP回归预测】基于BP神经网络的回归预测附matlab完整代码

matlab科研社

于 2023-07-09 16:51:54 发布

阅读量187

点赞数

CC 4.0 BY-SA版权

文章标签：回归神经网络 matlab 数据挖掘人工智能

本文链接：https://blog.youkuaiyun.com/Matlab_dashi/article/details/131642088

该文介绍了如何使用Matlab进行基于反向传播(BP)神经网络的回归预测，涉及数据准备、网络结构设计、预处理、训练、验证、测试及结果分析。文中还提供了一段Matlab代码示例，展示了从数据导入到模型训练和性能评估的完整流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。

⛄ 内容介绍

基于反向传播(Backpropagation, BP)神经网络的回归预测是一种常见的机器学习方法，用于预测连续型变量的值。下面将介绍基于BP神经网络的回归预测的基本原理和步骤。

数据准备：收集回归预测所需的训练数据，包括输入特征和对应的目标变量(连续型值)。
网络结构设计：选择合适的BP神经网络结构，包括输入层、隐藏层和输出层的节点数、层数以及激活函数的选择。网络结构的设计应根据具体问题和数据特点进行调整。
数据预处理：对输入特征和目标变量进行预处理，如归一化或标准化处理，以提高网络训练的效果和准确性。
网络训练：使用训练数据对BP神经网络进行训练，通过反向传播算法来更新网络参数，使得网络的输出逼近目标变量。
网络验证和调整：使用验证数据评估网络的性能，并根据验证结果进行网络结构的调整，如调整隐藏层节点数、增加正则化项等，以提高网络的泛化能力。
网络测试：使用测试数据对训练好的BP神经网络进行性能评估，验证其在未知数据上的预测准确性和鲁棒性。
结果分析：分析网络输出与目标变量之间的差异，评估网络的预测精度和准确性，并根据需要进行进一步优化或改进。

需要注意的是，BP神经网络的训练过程是一个迭代优化的过程，可能需要多次调整网络参数和结构，并进行多轮训练才能得到较好的预测结果。此外，对于复杂的回归预测问题，可能需要更深层次、更复杂的神经网络结构来提高预测性能。

⛄ 代码

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(719);

P_train = res(temp(1: 500), 1 : 28)';
T_train = res(temp(1: 500), 29: 31)';
M = size(P_train, 2);

P_test = res(temp(501: end), 1 : 28)';
T_test = res(temp(501: end), 29: 31)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  创建网络
net = newff(p_train, t_train, 10);

%%  设置训练参数
net.trainParam.epochs = 1000;     % 迭代次数 
net.trainParam.goal = 1e-6;       % 误差阈值
net.trainParam.lr = 0.01;         % 学习率
net.trainFcn = 'trainlm';

%%  训练网络
net = train(net, p_train, t_train);

%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

for i = 1: 3

    %%  均方根误差
    error1(i, :) = sqrt(sum((T_sim1(i, :) - T_train(i, :)).^2) ./ M);
    error2(i, :) = sqrt(sum((T_sim2(i, :) - T_test (i, :)).^2) ./ N);
    
    %%  绘图
    figure
    subplot(2, 1, 1)
    plot(1: M, T_train(i, :), 'r-*', 1: M, T_sim1(i, :), 'b-o', 'LineWidth', 1)
    legend('真实值', '预测值')
    xlabel('预测样本')
    ylabel('预测结果')
    string = {'训练集预测结果对比'; ['RMSE=' num2str(error1(i, :))]};
    title(string)
    xlim([1, M])
    grid
    
    subplot(2, 1, 2)
    plot(1: N, T_test(i, :), 'r-*', 1: N, T_sim2(i, :), 'b-o', 'LineWidth', 1)
    legend('真实值', '预测值')
    xlabel('预测样本')
    ylabel('预测结果')
    string = {'测试集预测结果对比'; ['RMSE=' num2str(error2(i, :))]};
    title(string)
    xlim([1, N])
    grid
    
    %%  分割线
    disp('**************************')
    disp(['下列是输出', num2str(i)])
    disp('**************************')
    
    %%  相关指标计算
    % 决定系数 R2
    R1(i, :) = 1 - norm(T_train(i, :) - T_sim1(i, :))^2 / norm(T_train(i, :) - mean(T_train(i, :)))^2;
    R2(i, :) = 1 - norm(T_test (i, :) - T_sim2(i, :))^2 / norm(T_test (i, :) - mean(T_test (i, :)))^2;
    
    disp(['训练集数据的R2为：', num2str(R1(i, :))])
    disp(['测试集数据的R2为：', num2str(R2(i, :))])
    
    % 平均绝对误差 MAE
    mae1(i, :) = sum(abs(T_sim1(i, :) - T_train(i, :))) ./ M ;
    mae2(i, :) = sum(abs(T_sim2(i, :) - T_test (i, :))) ./ N ;
    
    disp(['训练集数据的MAE为：', num2str(mae1(i, :))])
    disp(['测试集数据的MAE为：', num2str(mae2(i, :))])
    
    % 平均相对误差 MBE
    mbe1(i, :) = sum(T_sim1(i, :) - T_train(i, :)) ./ M ;
    mbe2(i, :) = sum(T_sim2(i, :) - T_test (i, :)) ./ N ;
    
    disp(['训练集数据的MBE为：', num2str(mbe1(i, :))])
    disp(['测试集数据的MBE为：', num2str(mbe2(i, :))])

end