clc%清除命令窗口变量
clear%清除工作空间变量
close all%关闭FIGURE图像
num = xlsread('数据.xlsx');
load maydata.mat
input_train=num((2:37),2:6)';%训练数据的输入数据
output_train1=num((2:37),9)';%训练数据的输出数据
output_train = zeros(36,5);
for ii = 1:36
output_train(ii,output_train1(ii)) = 1;
end
input_test=num((42:56),3:7)';%测试数据的输入数据
output_test=num((42:56),8)'; %测试数据的输出数据
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);%训练数据的输入数据的归一化
[outputn,outputps]=mapminmax(output_train');%训练数据的输出数据的归一化de
%% BP网络训练
% %初始化网络结构
net=newff(minmax(inputn),[15,5],{'logsig','tansig'},'traingdx');
%net.trainParam.max_fail = 9;
net.trainParam.epochs=1000;%最大迭代次数
net.trainParam.lr=0.1;%学习率
net.trainParam.goal=0.01;%学习目标
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
[~,BPoutput]=max(mapminmax('reverse',an,outputps));
%% 结果分析
figure(1)
plot(BPoutput,'r-o')%预测的结果数据画图-代表虚线，O代表圆圈标识，r代表红色
hold on
plot(output_test,'k-*');%期望数据，即真实的数据画图，-代表实现，*就是代表*的标识,k代表黑色
legend('预测输出','期望输出')%标签
title('BP神经网络','fontsize',12)%标题 字体大小为12
ylabel('仿真输出','fontsize',12)%Y轴
xlabel('样本','fontsize',12)%X轴
%预测误差
error=BPoutput-output_test;
figure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')
%%如果需要查看神经网络的权值和阈值，下面几行的代码前的%删掉，再运行就可以看到
%依次是隐含阈值；输入层到隐含层权值；输出层阈值；隐含层到输出层权值
% net.b{1}
% net.iw{1,1}
% net.b{2}
% net.lw{2,1}
%%如果需要保存训练好的神经网络，下面一行的代码前的%删掉，保存的文件为maynet.mat
%save maynet.mat net
%调用保存神经网络的方法
%load maynet.mat
%下面这个网络为BP神经网络的基本原理，介绍的比较详细
% https://wenku.baidu.com/view/4f0016a4b84ae45c3b358ce6.html
%net2.divideFcn = ''去除自动分类
%net2.divideFcn ='dividerand'自动分类
