有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测附Matlab代码

✅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。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

汽油燃烧尾气中含有的硫,烯烃等混合物对环境造成了极大的污染,但企业脱硫降烯的过程也会降低代表企业利润的辛烷值含量.通过数据关联或机理建模,可以刻画化工过程与辛烷值含量的关系,为解决传统的数据关联模型中变量相对较少,机理建模对原料的分析要求高,对过程优化的响应不及时等问题,本文利用Matlab软件,基于粒子群优化算法,通过BP神经网络模型对工厂生产过程中收集的数据进行数据挖掘,建立了辛烷值损失预测模型.最后选择了225个数据样本进行了辛烷值损失预测模型的训练,100个样本用于对辛烷值损失模型进行验证.所构建的模型对目标值的预测具有高度拟合性,较好地解决了相关问题.

⛄ 完整代码

clc;clear all;

% II. 训练集/测试集产生

clc;

clear;

close all;

%产生400个数据的输入与输出

ld=400;

x=rand(2,ld); %0-1

x=(x-0.5)*1.5*2; %-1.5, 1.5

x1=x(1,:);

x2=x(2,:);

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

%创建RBF径向基网络

net=newrb(x,F);

%产生测试数据

interval=0.1; %步长

[i, j]=meshgrid(-1.5:interval:1.5,-1.5:interval:1.5);%定义i、j的值域

row=size(i); %返回size的尺寸31行31列

%将i，j转换为行向量作为输入数据

tx1=i(:);%将i矩阵转换为列向量

tx1=tx1';

tx2=j(:);%将j矩阵转换为列向量

tx2=tx2';

tx=[tx1;tx2]; 

%testing

ty=sim(net,tx); %开始测试  测试数据需要是行向量  得到测试结果ty

v=reshape(ty,row); %将输出数据转换为31*31向量  以绘制三维图形

figure

subplot(1,3,2)  %一行3列图  的第二个位置

mesh(i,j,v);

zlim([0,60])  %限制Z轴的范围

%plot the original function

interval=0.1;

[x1, x2]=meshgrid(-1.5:interval:1.5);

F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

subplot(1,3,1)

mesh(x1,x2,F);

zlim([0,60])

%plot the error

subplot(1,3,3)

mesh(x1,x2,F-v); %误差图

zlim([0,60])

⛄ 运行结果

⛄ 参考文献

[1]李为民, 邬国英, 林西平. 基于近红外光谱的汽油辛烷值神经网络模型研究[J]. 常州大学学报(自然科学版), 2005, 17(003):16-18.

[2]许美贤, 郑琰, 周若兰,等. 基于BP神经网络和多元线性回归的辛烷值预测. ​

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料