BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成,隱含層根據(jù)層數(shù)又可以分為單隱含層和多隱含層。多隱含層由多個(gè)單隱含層組成,同單隱含層相比,多隱含層泛化能力強(qiáng),預(yù)測(cè)精度高,但是訓(xùn)練時(shí)間較長(zhǎng)。隱含層層數(shù)的選擇要從網(wǎng)絡(luò)精度和訓(xùn)練時(shí)間上綜合考慮,對(duì)于較簡(jiǎn)單的映射關(guān)系,在網(wǎng)絡(luò)精度達(dá)到要求的情況下,可以選擇單隱含層,以求加快速度;對(duì)于復(fù)雜的映射關(guān)系,則可以選擇多隱含層,以期提高網(wǎng)絡(luò)的預(yù)測(cè)精度。

%% 雙隱含層BP神經(jīng)網(wǎng)絡(luò)

%% 清空環(huán)境變量

clc

clear

%% 訓(xùn)練數(shù)據(jù)預(yù)測(cè)數(shù)據(jù)提取及歸一化

%下載輸入輸出數(shù)據(jù)

load data input output

%從1到2000間隨機(jī)排序

k=rand(1,2000);

[m,n]=sort(k);

%找出訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)

input_train=input(n(1:1900),:)';

output_train=output(n(1:1900));

input_test=input(n(1901:2000),:)';

output_test=output(n(1901:2000));

%選連樣本輸入輸出數(shù)據(jù)歸一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%% BP網(wǎng)絡(luò)訓(xùn)練

% %初始化網(wǎng)絡(luò)結(jié)構(gòu)

net=newff(inputn,outputn,[5 5]);

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

net.trainParam.goal=0.00004;

%網(wǎng)絡(luò)訓(xùn)練

net=train(net,inputn,outputn);

%% BP網(wǎng)絡(luò)預(yù)測(cè)

%預(yù)測(cè)數(shù)據(jù)歸一化

inputn_test=mapminmax('apply',input_test,inputps);

%網(wǎng)絡(luò)預(yù)測(cè)輸出

an=sim(net,inputn_test);

%網(wǎng)絡(luò)輸出反歸一化

BPoutput=mapminmax('reverse',an,outputps);

%% 結(jié)果分析

figure(1)

plot(BPoutput,':og')

hold on

plot(output_test,'-*');

legend('預(yù)測(cè)輸出','期望輸出')

title('BP網(wǎng)絡(luò)預(yù)測(cè)輸出','fontsize',12)

ylabel('函數(shù)輸出','fontsize',12)

xlabel('樣本','fontsize',12)

%預(yù)測(cè)誤差

error=BPoutput-output_test;

figure(2)

plot(error,'-*')

title('BP網(wǎng)絡(luò)預(yù)測(cè)誤差','fontsize',12)

ylabel('誤差','fontsize',12)

xlabel('樣本','fontsize',12)

figure(3)

plot((output_test-BPoutput)./BPoutput,'-*');

title('神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比')

errorsum=sum(abs(error))