BP神经网络：feedforwardnet版回归预测

程序相关说明：

input：预处理后的训练集数据 (60 by 14731)

output：预处理后的训练集标签（1 by 14731）

input_test：预处理后的测试集数据（60 by 100）

output_test：测试集数据经模型拟合后的结果（1 by 100）

BPoutput：反归一化，得到数据本身数量级的值（1 by 100）

net：训练后的网络

注：与newff相比，多出一个output_test量！

feedforwarnet将样本自动分为training、validation、test。

output_net：将input做输入，经过训练后的网络，得到输出结果。（1 by 14731）

它与output作比较，可以对训练得到的模型进行初步评估。

%% 模型训练
% Author:Huberry
% Date:2017.11.23
tic
clear;
clc;
format compact;
%% 加载数据集 输入输出均归一化处理
load('train_FD001_trainData.mat','trainData','trainLabel')
load('train_FD001_regressPara.mat','HI_regress');    %线性回归参数
[input,setting1] = mapminmax(trainData');
[output,setting2] = mapminmax(trainLabel');
% 测试单元样本集
load('train_FD001_testData','testData','RUL_FD001');
input_test = mapminmax('apply',testData',setting1);
% newff版本
% %创建BP网络
% net = newff(input,output,15,{'tansig','purelin'},'traingdm');
% net.divideFcn = '';
% net.trainparam.show = 50;
% net.trainparam.epochs = 20000 ;
% net.trainparam.goal = 0.01 ;
% net.trainParam.lr = 0.01 ;
% %训练网络模型
% [net,tr] = train(net,input,output);
% %记录模型权值和阈值
% weigh1=net.iw{1,1};
% bias1=net.b{1,1};
% weigh2=net.lw{2,1};
% bias2=net.b{2,1};
% save('BpPara','net','weigh1','bias1','weigh2','bias2');
% feedforwardnet版本
net = feedforwardnet(12,'traingdm');
% Setup Division of Data for Training, Validation, Testing
net.divideParam.trainRatio = 0.9;
net.divideParam.valRatio = 0.1;
net.divideParam.testRatio = 0;
net.trainParam.max_fail=100;
net.performFcn = 'mse';
net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...'plotregression', 'plotfit'};
[net,tr] = train(net,input,output);
output_net = net(input);
performance = perform(net,output,output_net);  % 根据设定的net.performFcn
% Recalculate Training, Validation and Test Performance获得训练验证和测试的结果
trainTargets = output.* tr.trainMask{1};
valTargets = output.* tr.valMask{1};
testTargets = output.* tr.testMask{1};
trainPerformance = perform(net,trainTargets,output_net)
valPerformance = perform(net,valTargets,output_net)
testPerformance = perform(net,testTargets,output_net)
%% 测试
output_test = sim(net,input_test);
BPoutput = mapminmax('reverse',output_test,setting2);
disp('网络模型与实际RUL之间的MSE：')
mse(RUL_FD001'-BPoutput)
% 绘图
view(net)
figure(1)
plot(BPoutput,':or')
hold on
plot(RUL_FD001,'-*')
legend('预测RUL值','实际RUL值');
title('模型输出','fontsize',12);
toc

注释：

1、关于training、validation、test

参考：http://www.ilovematlab.cn/thread-68797-1-1.html

training set是训练样本数据；validation set是验证样本数据；test set是测试样本数据。在训练时，用training训练，每训练一次，系统自动会将validation set中的样本数据输入神经网络进行验证，在validation set输入后会得出一个误差（不是网络的训练误差，而是验证样本数据输入后得到的输出误差，可能是均方误差），而此前对validation set会设置一个步数，比如默认是6echo，则系统判断这个误差是否在连续6次检验后不下降，如果不下降或者甚至上升，说明training set训练的误差已经不再减小，没有更好的效果了，这时再训练就没必要了，就停止训练，不然可能陷入过学习。所以validation set有个设置步数，作用就在这里。

实际使用中，经常出现Validation checks很快达到6此变停止的情况！

解决方法：

（1）net.divideFcn=' '; 样本只做为训练集使用

（2）net.trainParam.max_fail=100; 改变默认值6

本程序因为有单独的测试集，故将net.divideParam.testRatio设置为0。

2、关于mse

mse大小的判断是相对于输出数据的数量级来共同决定的。

比如数据所在范围是0-1之间，而mse值为0.2，此时mse值可能并不理想。

但是，如果数据均为大于100的数据，mse为0.2时，效果应该是不错的。

3、几个小说明

net.plotFcns 表示程序运行结束后，显示的nntraintool工具箱中Plots部分显示哪些内容；

view(net) 显示你的网络结构；

BP神经网络：feedforwardnet版回归预测相关推荐

【回归预测-BP预测】基于灰狼算法优化BP神经网络实现数据回归预测附matlab代码
1 内容介绍 Mirjalili 等在 2014 年提出了灰狼优化 ( Grey Wolf Optimizer,GWO) 算法,是一种新型群智能优化算法,通过模拟自然界中灰狼寻找.包围和 ...
鲸鱼算法(WOA)优化的BP神经网络预测,WOA-BP回归预测,多输入单输出模型。
%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear ...
北方苍鹰算法(NGO)优化的BP神经网络预测,NGO-BP回归预测
%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear ...
MATLAB实现基于BP神经网络的图像压缩
神经网络建模 BP神经网络用于压缩的原理如下: BP网络至少包含一个隐含层,这里只采用一个隐含层,因此整体构成了一个三层的网络.把一组输入模式通过少量的隐含层单元映射到一组输出模式,并使输出模式尽可能 ...
matlab feedforward,Matlab BP神经网络工具箱之feedforwardnet使用小结
function C_net_BP01 u_hebing=textread('u_hebing.txt'); f_hebing=textread('f_hebing.txt'); %数据验证===== ...
ACO蚁群算法优化BP神经网络（ACO-BPNN）回归预测MATLAB代码（有优化前后的对比）
ACO蚁群算法优化BP神经网络(ACO-BPNN)回归预测MATLAB代码(有优化前后的对比) 代码注释清楚. main为运行主程序,可以读取本地EXCEL数据. 很方便,容易上手. (以电厂运行数据 ...
PSO粒子群算法优化BP神经网络（PSO-BPNN）回归预测MATLAB代码
PSO粒子群算法优化BP神经网络(PSO-BPNN)回归预测MATLAB代码(有优化前后的对比) 代码注释清楚. main为运行主程序,可以读取本地EXCEL数据,也可以加载本地数据.mat,使用换自 ...
基于PCA主成分分析的BP神经网络回归预测MATLAB代码
基于PCA主成分分析的BP神经网络回归预测MATLAB代码代码注释清楚. 先对数据集进行主成分分析,自主根据贡献率选择主成分:同时计算KMO验证值:用PCA以后数据进行BP神经网络回归预测. 可以读 ...
【BP回归预测】基于matlab文化算法优化BP神经网络数据回归预测【含Matlab源码 2124期】
一.文化算法及BP神经网络简介 1 文化粒子群算法原理本文提出的文化粒子群算法采用文化算法的双层演化结构.[4]算法包含两个进化空间, 一个是由具体个体组成的群体空间;另一个是由在进化过程中获取的经 ...

BP神经网络：feedforwardnet版回归预测

BP神经网络：feedforwardnet版回归预测相关推荐

最新文章

热门文章