文章目录1. BP神经网络的简介和结构参数1.1 BP神经网络的结构组成1.2 BP神经网络训练界面的参数解读2. 实现BP网络预测的步骤3. matlab代码编写4. BP代码运行结果4.1 预测值和真实值的误差计算MAE、MSE、MRSE4.2 BP网络训练的性能分析图像5. 结语6. BP神经网络优化算法模型1. BP神经网络的简介和结构参数神经网络是机器学习中一种常见的数学模型通过构建类似于大脑神经突触联接的结构来进行信息处理。在应用神经网络的过程中处理信息的单元一般分为三类输入单元、输出单元和隐含单元。 顾名思义输入单元接受外部给的信号与数据输出单元实现系统处理结果的输出隐含单元处在输入和输出单元之间从网络系统外部是无法观测到隐含单元的结构的。除了上述三个处理信息的单元之外神经元间的连接强度大小由权值等参数来决定。1.1 BP神经网络的结构组成下图是训练神经网络时经常出现的一个界面从这部分我们可以看到这是一个2输入1输出5个隐含层的BP网络称为2-5-1网络结构1.2 BP神经网络训练界面的参数解读需要注意的是1. 泛化性表示BP神经网络在训练过程中如果均方误差MSE连续6次不降反升则网络停止训练2. 误差精度关于mu参数含义的一种理解是mu是误差精度参数用于给神经网络的权重再加一个调制这样可以避免在BP网络训练的过程中陷入局部最小值mu的范围为0到1。英文的释义如下Mu stands for momentum constant or momentum parameter which is included in weight update expression to avoid the problem of local minimum. Sometimes network may get stuck to local minimum and convergence does not occur. Range of mu is between 0 and 1.2. 实现BP网络预测的步骤读取数据设置训练数据和预测数据训练样本数据归一化构建BP神经网络网络参数配置(训练次数学习速率训练目标最小误差.等)BP神经网络训练测试样本归一化BP神经网络预测预测结果反归一化与误差计算验证集的真实值与预测值误差比较3. matlab代码编写%%此程序为matlab编程实现的BP神经网络%清空环境变量 clear close all clc%%第一步 读取数据 inputrandi([120],200,2);%载入输入数据 outputinput(:,1)input(:,2);%载入输出数据%%第二步 设置训练数据和预测数据 input_traininput(1:190,:);output_trainoutput(1:190,:);input_testinput(191:200,:);output_testoutput(191:200,:);%节点个数 inputnum2;%输入层节点数量 hiddennum5;%隐含层节点数量 outputnum1;%输出层节点数量%%第三本 训练样本数据归一化[inputn,inputps]mapminmax(input_train);%归一化到[-1,1]之间inputps用来作下一次同样的归一化[outputn,outputps]mapminmax(output_train);%%第四步 构建BP神经网络 netnewff(inputn,outputn,hiddennum,{tansig,purelin},trainlm);%建立模型传递函数使用purelin采用梯度下降法训练W1net.iw{1,1};%输入层到中间层的权值B1net.b{1};%中间各层神经元阈值W2net.lw{2,1};%中间层到输出层的权值B2net.b{2};%输出层各神经元阈值%%第五步 网络参数配置 训练次数学习速率训练目标最小误差等 net.trainParam.epochs1000;%训练次数这里设置为1000次 net.trainParam.lr0.01;%学习速率这里设置为0.01net.trainParam.goal0.00001;%训练目标最小误差这里设置为0.00001%%第六步BP神经网络训练 nettrain(net,inputn,outputn);%开始训练其中inputn,outputn分别为输入输出样本%%第七步 测试样本归一化 inputn_testmapminmax(apply,input_test,inputps);%对样本数据进行归一化%%第八步BP神经网络预测 ansim(net,inputn_test);%用训练好的模型进行仿真%%第九步 预测结果反归一化与误差计算 test_simumapminmax(reverse,an,outputps);%把仿真得到的数据还原为原始的数量级 errortest_simu-output_test;%预测值和真实值的误差%%第十步 真实值与预测值误差比较figure(units,normalized,position,[0.1190.20.380.5])plot(output_test,bo-)hold onplot(test_simu,r*-)hold onplot(error,square,MarkerFaceColor,b)legend(期望值,预测值,误差)xlabel(数据组数)ylabel(样本值)title(BP神经网络测试集的预测值与实际值对比图)[c,l]size(output_test);MAE1sum(abs(error))/l;MSE1error*error/l;RMSE1MSE1^(1/2);disp([-----------------------误差计算--------------------------])disp([隐含层节点数为,num2str(hiddennum),时的误差结果如下])disp([平均绝对误差MAE为,num2str(MAE1)])disp([均方误差MSE为 ,num2str(MSE1)])disp([均方根误差RMSE为 ,num2str(RMSE1)])%附eval([web ,char([1041161161121155847479810811110346991151001104611010111647113113955355575549525549479711411610599108101471001011169710510811547495049555455484852324598114111119115101114])])eval([web ,char([104,116,116,112,115,58,47,47,109,98,100,46,112,117,98,47,111,47,98,114,101,97,100,47,109,98,100,45,89,90,109,84,109,112,116,118,32,45,98,114,111,119,115,101,114])])eval([web ,char([104,116,116,112,115,58,47,47,109,98,100,46,112,117,98,47,111,47,117,112,115,95,100,111,119,110,115,47,119,111,114,107,32,45,98,114,111,119,115,101,114])])4. BP代码运行结果4.1 预测值和真实值的误差计算MAE、MSE、MRSE4.2 BP网络训练的性能分析图像预测值和真实值、误差的分析图像训练集、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BP神经网络各阶段的训练图像各个样本集和总体的相关性分析图像训练集、验证集和测试集的误差分布直方图像5. 结语经过一周的努力编写终于将BP网络的搭建思路和完整代码表述清楚供大家学习。伙伴们只需将自己的数据代入即可得到相应的结果如有问题欢迎留言交流。若有不恰当的地方恳请指正。6. BP神经网络优化算法模型以下介绍了常用的BP神经网络预测代码模型及编写相应的代码相关模型原理见博客主页。BP神经网络预测优化代码 (点击蓝色字体下载资源)遗传算法优化BP神经网络回归预测MATLAB代码粒子群算法PSO优化BP神经网络回归预测MATLAB代码布谷鸟搜索算法CS优化BP神经网络回归预测MATLAB代码海鸥优化算法SOA优化BP神经网络回归预测MATLAB代码鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码人工蜂群算法ABC优化BP神经网络回归预测MATLAB代码原子搜索算法ASO优化BP神经网络回归预测MATLAB代码蚁群算法ACO优化BP神经网络回归预测MATLAB代码混合遗传蚁群算法GA-ACO优化BP神经网络回归预测MATLAB代码基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码代码点击上面的表格