matlab中BP神经网络预测

1. BP神经网络的简介和结构参数

神经网络是机器学习中一种常见的数学模型，通过构建类似于大脑神经突触联接的结构，来进行信息处理。在应用神经网络的过程中，处理信息的单元一般分为三类：输入单元、输出单元和隐含单元。 顾名思义：输入单元接受外部给的信号与数据；输出单元实现系统处理结果的输出；隐含单元处在输入和输出单元之间，从网络系统外部是无法观测到隐含单元的结构的。除了上述三个处理信息的单元之外，神经元间的连接强度大小由权值等参数来决定。

1.1 BP神经网络的结构组成

下图是训练神经网络时经常出现的一个界面，从这部分我们可以看到，输入层的神经元节点个数为2，隐含层的神经元节点个数为5，输出层的神经元节点个数为1，即2-5-1网络结构。

1.2 BP神经网络训练界面的参数解读

需要注意的是：

1. 泛化性： 表示BP神经网络在训练过程中，如果均方误差（MSE）连续6次不降反升，则网络停止训练

2. 误差精度： 关于mu参数含义的一种理解是，mu是误差精度参数，用于给神经网络的权重再加一个调制，这样可以避免在BP网络训练的过程中陷入局部最小值，mu的范围为0到1。英文的释义如下：

Mu stands for momentum constant or momentum parameter which is included in weight update expression to avoid the problem of local minimum. Sometimes network may get stuck to local minimum and convergence does not occur. Range of mu is between 0 and 1.

2. 实现BP网络的步骤
(1).读取数据
(2).设置训练数据和预测数据
(3).训练样本数据归一化
(4).构建BP神经网络
(5).网络参数配置(训练次数，学习速率，训练目标最小误差.等)
(6).BP神经网络训练
(7).测试样本归一化
(8).BP神经网络预测
(9).预测结果反归一化与误差计算
(10).验证集的真实值与预测值误差比较

3. matlab代码编写

%% 此程序为matlab编程实现的BP神经网络
% 清空环境变量
clear all
clc

%%第一步 读取数据
input=randi([1 20],2,200);  %载入输入数据
output=input(1,:)'+input(2,:)';  %载入输出数据

%% 第二步 设置训练数据和预测数据
input_train = input(:,1:190);
output_train =output(1:190,:)';
input_test = input(:,191:200);
output_test =output(191:200,:)';
%节点个数
inputnum=2;
hiddennum=5;%隐含层节点数量经验公式p=sqrt(m+n)+a ，故分别取2~13进行试验
outputnum=1;
%% 第三本 训练样本数据归一化
[inputn,inputps