2017年6月8日

Matlab中BP神经网络算法的实现

1、这里以一个普遍实用的案例为例子进行编程说明

假设一组x1,x2,x3的值对应一个y值，有2000组这样的数字，我们选择其中1900组x1,x2,x3和y作为样本，其余100组x1,x2,x3作为测试数据来验证。

2、首先需要读取这些数据，并把数据赋值给input和outinput,我们把数据存储在excel表中，所以用xlsread函数来读取数据，读取出来的数据是2000*4的矩阵。

num=xlsread(‘test.xlsx’,’sheet2’,’A2:D2001’);

input_train=num(1:1900,1:3)’;

output_train=num(1:1900,4)’;

input_test=num(1901:2000,1:3)’;

3、将样本数据进行归一化处理

   [inputn,inputps]=mapminmax(input_train);

   [outputn,outputps]=mapminmax(output_train);

注：mapminmax的数学公式为：y=(ymax-ymin)*(x=xmin)/(xmax-xmin)+ymin.一般：ymax和ymin默认为1，-1。mapminmax是premnmx的新版本，[b,c]=mapminmax(a):b为矩阵归一化后的矩阵，c是矩阵a的一些参数，比如每一行的最大值、最小值，以及行数和列数等。

4、初始化网络结果，设置参数，并用数据对网络进行训练。

  newff函数是给出了最简单的设置，即输入样本数据，输出样本数据和隐含层节点数；epochs是设置迭代次数，lr是设置学习率，goal是设置目标值。

  net=newff(inputn,outputn,5);

  net.trainParam.epochs=100;

  net.trainParam.lr=0.1;

  net.trainParam.goal=0.00004;

  net=train(net,inputn,outputn);    %网络训练

5、设置好参数，需要将训练数据进行归一化处理，然后将预测结果输出，并将输出的结果进行反归一化处理，神经网络就完成了，BPoutput为预测结果。

   input_test=mapminmax(‘apply’,input_test,inputs);    %预测数据归一化

   an=sim(net,input_test);           %网络预测输出

   BPoutput=mapminmax(‘reversel’,an,outputps);       %网络输出反归一化