clear all
clc
close all

load concrete加气混凝土数据.mat;
load concrete待预测数据.mat; 

A=attributes;      %简化组分变量名为A
B=strength;        %简化强度变量名为B
C=A';              %组分矩阵转置
D=B';              %强度矩阵转置
E=attributes2;     %简化待预测组分变量名为E
F=E';              %待预测组分矩阵转置

G = randperm(size(C,1));
P_train = C(G(1:20),:)';      %组分训练集——20个样本
T_train = D(G(1:20),:)';      %强度训练集——20个样本
P_test = C(G(20:end),:)';     %组分测试集——10个样本
T_test = D(G(20:end),:)';     %强度测试集——10个样本
N = size(P_test,2);           %提取组分测试集的列数，即组分测试集的样本数

net = newff(p_train,t_train,1);
W1= net. iw{1, 1};                  %输入层到隐藏层的权值
B1 = net.b{1};                      %隐藏层神经元阈值
W2 = net.lw{2,1};                   %隐藏层到输出层的权值
B2 = net. b{2};                     %输出层神经元阈值

net.trainParam.epochs = 1000;      %设置训练次数为1000
net.trainParam.goal = 1e-3;        %设置均方误差
net.trainParam.lr = 0.0001;        %设置学习率

net = train(net,p_train,t_train);

t_sim = sim(net,p_test);      %利用Simulink函数将组分测试集归一化后的数据输入网络进行测试

T_sim = mapminmax('reverse',t_sim,p_output); 

error = abs(T_sim - T_test)./T_test;

R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

result = [T_test' T_sim' error']

figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('加气混凝土抗压强度')
string = {'测试集加气混凝土抗压强度预测结果对比';['R²= ' num2str(R2)]};   %num2str()将数字转为字符
title(string)

predict_y = zeros(1,1);       %初始化预测矩阵
P_result = sim(net, F(1,:)');
predict_y = P_result;
predict_y = mapminmax('reverse',predict_y,p_output);      %反归一化处理
disp('预测值为：')
disp(predict_y)

​

predict_y = zeros(8,1);       %初始化预测矩阵
for i = 1: 8P_result = sim(net, F(i,:)');   predict_y(i) = P_result;predict_y(i) = mapminmax('reverse',predict_y(i),p_output);    %反归一化处理
enddisp('预测值为：')disp(predict_y)

%% 基于BP神经网络实现加气混凝土抗压强度预测MATLAB源代码 %% 1.清空数据
clear all
clc
close all%% 2.导入加气混凝土数据
load concrete加气混凝土数据.mat;     %训练数据越多，预测越精准
load concrete待预测数据.mat;         %导入待预测数据%% 3.数据整理
A=attributes;             %简化组分变量名
B=strength;               %简化强度变量名
C=A';                     %组分矩阵转置
D=B';                     %强度矩阵转置
E=attributes2;            %简化待预测组分变量名为E
F=E';                     %待预测组分矩阵转置%% 4.划分训练集和测试集
G = randperm(size(C,1));     %randperm随机整数生成和随机打乱矩阵顺序，使数据没有规律性，size（c，1）表示矩阵c的行数，size（c，2）表示矩阵C的列数
P_train = C(G(1:20),:)';     %组分训练集——20个样本
T_train = D(G(1:20),:)';     %强度训练集——20个样本
P_test = C(G(20:end),:)';    %组分测试集——10个样本
T_test = D(G(20:end),:)';    %强度测试集——10个样本
N = size(P_test,2);          %提取组分测试集的列数，即组分测试集的样本数%% 5.数据归一化
[p_train, p_input] = mapminmax(P_train,0,1);       %组分训练集归一化，以p_train作为输出
p_test = mapminmax('apply',P_test,p_input);        %组分测试集归一化，以p_test作为输出
[t_train, p_output] = mapminmax(T_train,0,1);      %强度训练集归一化，以t_train作为输出%% 6.创建BP神经网络
net = newff(p_train,t_train,3);     %利用归一化后的组分训练集和强度训练集创建神经网络，这里的1为采用单层单神经元的网络架构
W1= net. iw{1, 1};                  %输入层到隐藏层的权值
B1 = net.b{1};                      %隐藏层神经元阈值
W2 = net.lw{2,1};                   %隐藏层到输出层的权值
B2 = net. b{2};                     %输出层神经元阈值%% 7.设置训练参数
net.trainParam.epochs = 1000;       %设置训练次数为1000
net.trainParam.goal = 1e-3;         %设置均方误差
net.trainParam.lr = 0.0001;         %学习率的选择这里采用人工调整学习率，根据经验值进行尝试，通常将初始学习率设为:0.1，0.01，0.001，0.0001%% 8.训练神经网络
net = train(net,p_train,t_train);%% 9.仿真测试
t_sim = sim(net,p_test);          %利用Simulink函数将组分测试集归一化后的数据输入网络进行测试%% 10.数据反归一化
T_sim = mapminmax('reverse',t_sim,p_output);      %由于输入神经网络的数据为归一化的数据，输出时要展示原始类型数据，故要进行数据反归一化处理%% 11. 性能评价（相对误差error）
error = abs(T_sim - T_test)./T_test;       %相对误差用于反映测量的可信程度，这里表示原始数据与反归一化后数据的误差。%% 12. 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
%决定系数R²介于0~1之间，用于评判拟合效果。当 R²越接近1，回归拟合效果越好，我们一般认为超过0.8的模型拟合优度比较高%% 13. 结果对比
result = [T_test' T_sim' error']      %以矩阵形式输出强度测试集、反归一化强度测试集、相对误差%% 14. 绘制训练及测试效果图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('加气混凝土抗压强度')
string = {'测试集加气混凝土抗压强度预测结果对比';['R²= ' num2str(R2)]};     %num2str()将数字转为字符
title(string)%% 15. 新数据预测
predict_y = zeros(1,1);          %初始化预测矩阵
P_result = sim(net, F(1,:)');
predict_y = P_result;
predict_y = mapminmax('reverse',predict_y,p_output);         %反归一化处理
disp('预测值为：')
disp(predict_y)