matlab与机器学习（三）以辛烷值含量预测为例BP神经网络（含代码解析）

在BP神经网络中，单个样本有个输入，有个输出，在输入层和输出层之间通常还有若干个隐含层。实际上，1989 Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，这就是万能逼近定理。所以一个三层的BP网络就可以完成任意的维到维的映射。即这三层分别是输入层（I），隐含层（H），输出层（O）。如下图示：

公共号“不研而喻”中回复“汽油辛烷值预测”，获取本文所需数据。
公共号“不研而喻”中回复“书籍”，获取50本数据分析、python、统计学经典书籍。

扫描二维码，回复“汽油辛烷值预测”，获取本文所需数据。

%% I. 清空环境变量clear all
clc一、随机生成训练集和测试集%% II. 训练集/测试集产生%%
% 1. 导入数据
load spectra_data.mat%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1));%1代表多少行，2代表多少列
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';%冒号代表取出来是整行或者整列，'代表转置
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);%% III. 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);%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff(p_train,t_train,9);%9个隐藏神经元%%
% 2. 设置训练参数
net.trainParam.epochs = 1000;%迭代次数
net.trainParam.goal = 1e-3;%训练目标
net.trainParam.lr = 0.01;%学习率%%
% 3. 训练网络
net = train(net,p_train,t_train);%%
% 4. 仿真测试
t_sim = sim(net,p_test);%%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output);%% V. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_test)./T_test;%%
% 2. 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)); %%
% 3. 结果对比
result = [T_test' T_sim' error']%% VI. 绘图
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('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)

matlab与机器学习（三）以辛烷值含量预测为例BP神经网络（含代码解析）相关推荐

gwo算法matlab源代码,智能优化算法应用：基于GWO优化BP神经网络 - 附代码
智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络 - 附代码智能优化算法应用:基于GWO优化BP神经网络文章目录智能优化算法应用:基于GWO优 ...
MAT之ELM：ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比
MAT之ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比目录输出结果代码设计输出结果代码设计 %ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比-Jason ni ...
RBF：RBF基于近红外光谱的汽油辛烷值含量预测结果对比
RBF:RBF基于近红外光谱的汽油辛烷值含量预测结果对比目录输出结果代码设计输出结果代码设计 load spectra_data.mat temp = randperm(size(NIR ...
MAT之PLS：利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》
MAT之PLS:利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并<测试集辛烷值含量预测结果对比> 目录输出结果实现代码输出结果实现代码 load sp ...
MAT之PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》
MAT之PCA:利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并<测试集辛烷值含量预测结果对比> 目录输出结果实现代码输出结果后期更新-- 实现代 ...
MAT之NN：实现BP神经网络的回归拟合，基于近红外光谱的汽油辛烷值含量预测结果对比
MAT之NN:实现BP神经网络的回归拟合,基于近红外光谱的汽油辛烷值含量预测结果对比目录输出结果实现代码输出结果实现代码 load spectra_data.mat plot(NIR') t ...
ELM：ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu
%ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比-Jason niu load spectra_data.mat temp = randperm(size(NIR,1));P_trai ...
bp神经网络预测未来数据,bp神经网络数据预处理
如何建立bp神经网络预测模型建立BP神经网络预测模型,可按下列步骤进行:1.提供原始数据2.训练数据预测数据提取及归一化3.BP网络训练4.BP网络预测5.结果分析现用一个实际的例子,来预测20 ...
基于matlab国内外水果自动分级方面,水果自动识别的BP神经网络方法
摘要:针对多种水果混合的图像,对各种水果的提取和识别进行研究.利用Matlab软件进行图像数据获取.对比度增强.去噪.二值化处理:为弥补二值化后图像中出现的断边.孔洞,借助Sobel算子进行边缘提 ...

matlab与机器学习（三）以辛烷值含量预测为例BP神经网络（含代码解析）

matlab与机器学习（三）以辛烷值含量预测为例BP神经网络（含代码解析）相关推荐

最新文章

热门文章