回归预测 基于ELMAN递归神经网络预测及其matlab代码实现
文章目录
- 1. ELMAN神经网络的简介和算法描述
- 1.1 Elman网络介绍
- 1.2 Elman结构组成
- 1.3 ELMAN训练界面的参数解读
- 2. 建立ELMAN神经网络的步骤
- 3. 编写MATLAB代码
- 4. ELMAN程序运行结果
- 4.1 各层的神经元个数的确定过程
- 4.2 预测值和真实值的误差计算（SSE、MAE、MSE、RMSE、MAPE）
- 4.3 Elman网络预测的分析图像
- 5. 小结
- 6. MATLAB代码与数据下载地址
1. ELMAN神经网络的简介和算法描述
1.1 Elman网络介绍
神经网络是一个庞大的体系和概念，根据处理信息的不同方式来区分不同的network。比如根据处理信息结果的传递方向，分前馈型与反馈型。前馈型网络会根据输出数值来调整网络的参数，反馈型网络的输入会存在输入或者输出数值的反馈，可以对运算处理过程不断地进行优化。网络的反馈形式决定了网络的动态运算特点，递归神经网络ELMAN和前面所介绍的三层BP神经网络相比，增加了一个承接层，可以理解成延时算子，作用是让网络存在记忆功能，更好地适应数据输入的动态变化。
1.2 Elman结构组成
ELMAN的构造分为四层神经元：输入层、隐含层、承接层以及输出层（在使用智能算法优化ELMAN的参数时，理解ELMAN的结构将有所帮助）。
a). 输入层、输出层的神经元节点个数：
输入层的神经元数量与输入数据特征的维数是相等的，输出层的神经元节点数量也等同于输出数据标签的维度，这与BP神经网络一样。
b). 隐含层的神经元节点个数：
不管在BP还是ELMAN,或者其他的神经网络，隐含层的神经元个数都不是固定的。如果选择的隐含层神经元个数较少时，就会导致网络的学习程度减小甚至无法学习。节点个数较多时，则会导致网络训练的过程变慢，也很难得出预计的情况。只有当隐含层神经元数量只有控制在一个合理的范围内，才能使得网络模型好的进行学习运算。
通常的做法是根据以下公式来推出隐含层节点数目的范围，在范围之内根据训练误差最小（分类问题则取准确率最高或者误差率最低）的原则来确定最佳的隐含层节点数目。
h=m+n+ah=\sqrt{m+n}+a h=m+n+a
式中，h为隐含层节点个数，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的常数。BP神经网络确定隐含层节点也通常采用该式。
c). 承接层的神经元节点个数：
承接层也叫做上下文层和状态层，主要功能是用来记忆隐含层上一个时间点的输出数值。所以承接层的神经元个数与隐含层相同，确定方法为：先根据训练误差最小确定最佳的隐含层神经元节点，再得到承接层的神经元节点个数。
1.3 ELMAN训练界面的参数解读
2. 建立ELMAN神经网络的步骤
1.读取数据
2. 划分训练集、测试集
3. 数据归一化
4. 获取输入层节点、输出层节点个数
5. 确定网络层与层之间的传递函数和训练算法
6. 构建最佳隐含层节点（承接层节点）的ELMAN神经网络
7. 训练网络
8. 网络测试
9. 对ELMAN的预测值与实际值进行误差分析
10. 打印预测结果和误差表格
3. 编写MATLAB代码
3.1 读取数据
采用深度学习常用的建筑物能源数据集进行预测实验，数据是EXCEL格式，形式为：
| 样本序号 | 输入指标1 | 输入指标2 | … | 输出指标 |
|---|---|---|---|---|
| 1 | - | – | – | – |
| 2 | - | – | – | – |
| … | - | – | – | – |
| n | - | – | – | – |
EXCEL的读取命令为（对应EXCEL的工作簿名，工作表Sheet名，单元格范围）：
%% 读取数据
data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据
input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标
output=data(:,end); %data的最后面一列为输出的指标值
3.2 划分训练集测试集
分层抽取即可，通过程序获取样本总数N，设置测试样本数目testNum，训练样本数为N-testNum。
N=length(output); %全部样本数目
testNum=30; %设定测试样本数目
trainNum=N-testNum; %计算训练样本数目
3.3 数据归一化
采用MATLAB自带的mapminmax函数，可以很方便的设置归一化的范围为[-1,1]，[0,1]等（注意如果MATLAB安装了LSSVM的工具包，会与mapminmax函数发生冲突，在添加的路径中去掉LSSVM路径即可）
%% 数据归一化
%归一化到0,1之间，归一化可以消除特征指标的量纲和数量级的影响
[inputn,inputps]=mapminmax(input_train,0,1);
[outputn,outputps]=mapminmax(output_train);
inputn_test=mapminmax('apply',input_test,inputps);
3.4 获取输入层输出层节点的个数
使用size函数，用法为[M,N]=size(A)，M对应A的行数，N对应A的列数，size(A,1)返回的M值，size(A,2)返回的N值。指标是列的方向，所以采用N=size(A,2)的写法。
inputnum=size(input,2);
outputnum=size(output,2);
3.5 确定网络的传递函数与训练算法
string={'tansig','purelin'}; %传递函数
func_str='traingdx'; %训练算法3.6 使用循环遍历范围内的隐含层节点与训练误差情况
因为要找最小的误差，所以初始化训练误差时，将MSE设置较大的数字，用于在循环中确定最佳的隐含层节点。
%确定隐含层节点个数
%采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数
%n为输出层节点个数，a一般取为1-10之间的整数
MSE=1e+5; %初始化训练误差3.7 训练网络
%% 构建最佳隐含层节点（承接层节点）的ELMAN神经网络
net=newelm(inputn,outputn,hiddennum_best,string,func_str);% 网络参数
net.trainParam.epochs=1000; % 训练次数
net.trainParam.lr=0.01; % 学习速率
net.trainParam.goal=0.0001; % 训练目标最小误差%% 训练网络
net=train(net,inputn,outputn);
3.8 网络测试与误差分析
%% 网络测试
an=sim(net,inputn_test); %用训练好的模型进行仿真
test_simu=mapminmax('reverse',an,outputps); % 预测结果反归一化%% 对ELMAN的预测值与实际值进行误差分析
error=test_simu-output_test; %预测值和真实值的误差%% 计算误差指标
SSE=sum(error.^2); %误差平方和
MAE=sum(abs(error))/len; %平均绝对误差
MSE=error*error'/len; %均方误差
RMSE=MSE^(1/2); %均方误差根
MAPE=mean(abs(error./output_test)); %平均百分比误差4. ELMAN程序运行结果
4.1 各层的神经元个数的确定过程
4.2 预测值和真实值的误差计算（SSE、MAE、MSE、RMSE、MAPE）
4.3 Elman网络预测的分析图像
- 预测值和真实值的对比图像
- 预测值与实际值的误差图像
- 训练集、验证集、测试集和总体的均方误差随训练次数的变化图像
注：小圆圈位置代表终止的训练次数（即代数）处的均方误差
- Elman各阶段的训练图像
对三个图的解释：（1）梯度随训练的进行而发生减小，（2）在后期（149代）发生过拟合现象，连续6次过拟合，终止网络训练，（3）学习速率lr随训练的进行发生变化，减小。从前面3的train、test、validation来看，三个部分的训练性能变化一致，在134代训练达到最佳的训练效果（performance最小为0.04517），说明训练是合格的。过拟合现象在训练中无法避免，MATLAB进行Elman训练时，默认发生连续6次过拟合则停止训练，可设置过拟合连续的最大次数停止准则。
5. 小结
- Elman神经网络的结构相比BP神经网络多了一个承接层，能对动态变化的信息进行处理。
- 从Elman的四层结构来看，Elman有很好的自适应和学习能力，以及高并行度。
- 本篇将Elman神经网络的搭建思路和关键代码表述清楚，供大家参考和学习。如有问题，欢迎留言交流。
- 若有不恰当的地方，恳请码友指正。
6. MATLAB代码与数据下载地址
见博客主页
回归预测 基于ELMAN递归神经网络预测及其matlab代码实现相关推荐
- BP神经网络预测回归MATLAB代码（代码完整可直接用，注释详细，可供学习）
BP神经网络预测回归MATLAB代码(代码完整可直接用,注释详细,可供学习) 一.前言 二.代码部分 2.1 初始化 2.2 读取数据 2.3 设置训练集和测试集 2.4 数据归一化 2.5 求解最佳 ...
- 【预测模型】基于BP神经网络预测价格matlab代码
1 简介 BP神经网络模型是目前应用最为广泛神经网络之一.它的本质是通过对历史数据的学习找出数据变化趋势之间的非线性关系,并通过输出量与预期值之间的误差不断调整网络中各个单元的权重,使整个网络的误差最 ...
- 【ANFIS 时序预测】基于 ANFIS 的时间序列预测附 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.
- 基于粒子群算法优化的ELMAN动态递归神经网络预测-附代码
基于粒子群算法优化的ELMAN动态递归神经网络预测及其MATAB实现 文章目录 基于粒子群算法优化的ELMAN动态递归神经网络预测及其MATAB实现 1. 模型与算法描述 1.1 ELMAN神经网络预 ...
- 【负荷预测】基于神经网络的负荷预测和价格预测（Matlab代码实现）
目录 1 概述 2 基于神经网络的负荷预测(Matlab实现) 2.1 代码 2.2 结果 2.3 回归树模型的进一步改进 3 基于神经网络的价格预测(Matlab代码实现) 4 阅读全文(Ma ...
- bp学习函数matlab代码,小范学数量经济学之四:BP神经网络预测的MATLAB模拟代码
股票价格预测神器:BP神经网络预测的matlab模拟代码: 自动优选神经元个数: 自动迭代15000次,精度0.001: 代码运行效果图: 原始代码自此处开始: % 本代码由重庆科技学院范巧副教授于2 ...
- 人工水母优化BP神经网络（JSBP）实现数据预测的Matlab代码和效果展示
人工水母搜索算法优化BP神经网络(JSBP)实现数据预测原理讲解和代码效果展示的完整讲解视频(时长33分钟)地址:https://www.bilibili.com/video/BV1z84y1c7JA ...
- 【ML】基于机器学习的心脏病预测研究(附代码和数据集，多层感知机模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...
- 基于ANFIS的股票价格预测附Python代码
基于ANFIS的股票价格预测附Python代码 在金融领域,股票价格预测一直是一个重要的问题.随着机器学习技术的发展,人们开始尝试使用神经网络等方法进行股票价格的预测. ANFIS(自适应网络基石推理 ...
- 【ML】基于机器学习的心脏病预测研究(附代码和数据集，随机森林模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...
最新文章
- python操作mysql数据库实现增删改查
- 技术负责人的三种角色
- 唐敏豪：我给MSU评测打9分
- JavaEE实战班第16天
- C#LeetCode刷题之#500-键盘行（Keyboard Row）
- 如何查看 Linux 中所有正在运行的服务
- group by 汇总
- python-函数之命名空间作用域
- 在eclipse中使用Github进行单元测试
- 桌面支持--WIN7任务栏上EXCEL的图标右键菜单上没有了最近打开的文档目录
- anime.js 图片位移动画_打造高大上的Canvas粒子动画
- 【多目标优化求解】基于matlab自适应风驱动算法求解多目标优化问题【含Matlab源码 1414期】
- 微软vc运行库地址VC9VC11
- ListView 优化之 ViewHolder 复用机制
- i79750h和i511400h哪个好
- 2020年中国共享电单车市场现状与格局分析，青桔、哈啰和美团占据市场主要份额「图」
- C# UDP Socket ReceiveFrom 远程主机强迫关闭了一个现有的连接。
- android APP闪退后如何屏蔽自启动
- 幼儿园作业（毕业季）
- 海康硬盘录像机无法通过rtsp协议连接到EasyNVR的Web页面如何处理？