一、工作流程

　　1、加载数据，产生训练集与测试集（验证集）

　　　　首先加载样本，其中样本的输入叫做：特征（变量），其输出值叫做：理想值，将样本分为训练样本（学习所用）和测试样本（效果测试仿真所用）

　　　　需要注意的是样本矩阵的列代表的是样本的个数，行代表每个样本的数据

　　　　代码如下：

　　　　load spectra_data.mat　　　　

　　　　%% 随机产生训练集测试集序列
　　　　temp = randperm(size(attributes,2));
　　　　%产生训练集样本
　　　　P_train = attributes(:,temp(1:80));%选取前80个作为训练集样本
　　　　T_train = strength(:,temp(1:80));
　　　　%产生测试集样本
　　　　P_test = attributes(:,temp(81:end));%将80之后的样本作为测试集样本
　　　　T_test = strength(:,temp(81:end));

　　　　%保存测试集的样本个数

　　　　N = size(P_test,2);

　　2、数据归一化处理

　　　　由于输入数据的单位不一样，所以有些数据的范围可能比较大，导致的结果可能是神经网络收敛慢、训练时间长

　　　　代码如下：

　　　　%% 数据归一化处理

　　　　%训练集归一化

　　　　[p_train,ps_input] = mapminmax(P_train,0,1);
　　　　[t_train,ps_output] = mapminmax(T_train,0,1);
　　　　%测试集输入数据归一化
　　　　p_test = mapminmax('apply',P_test,ps_input);  %将训练集的归一化的“标准”应用在测试集的归一化上

　　3、神经网络的创建、神经网络的参数调整、神经网络的训练、神经网络的仿真、仿真结果的反归一化

　　　　代码如下：

　　　　%% BP神经网络创建、训练及仿真测试
　　　　%创建网络
　　　　net = newff(p_train,t_train,9);%创建一个具有9个神经元的bp神经网络
　　　　%设置训练参数
　　　　net.trainParam.epochs = 1000;%最多循环次数为1000次
　　　　net.trainParam.goal = 1e-3;%目标误差小于。。。
　　　　net.trainParam.lr = 0.01;%学习率设定为0.01
　　　　%训练网络
　　　　net = train(net,p_train,t_train);
　　　　%仿真测试
　　　　t_sim = sim(net,p_test);
　　　　%数据反归一化
　　　　T_sim = mapminmax('reverse',t_sim,ps_output);

　　4、神经网络的性能评价（相对误差计算、决定系数计算）

　　　　代码如下：　　　　

　　　　%% 性能评价
　　　　%相对误差
　　　　error = abs(T_sim - T_test)./T_test;
　　　　%决定系数
　　　　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));

　　5、结果对比、绘图处理

　　　　代码如下：　　　　

　　　　%% 结果对比
　　　　result = [T_test' T_sim' error']

　　　　%% 绘图
　　　　figure
　　　　plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
　　　　legend('标签','标签')
　　　　xlabel('标签')
　　　　ylabel('标签')
　　　　string = {'标题'};
　　　　title(string)