基于BP神经网络的回归分析（代码完整，数据齐全）

clc clear close all load maydata.mat rand('state',0) load maydata.mat num = num1; input_train=num(1:72,1:4)';%训练数据的输入数据 output_train=num(1:72,5)';%训练数据的输出数据 input_test=num(73:88,1:4)';%测试数据的输入数据 output_test=num(73:88,5)'; %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,0,1);%训练数据的输入数据的归一化 [outputn,outputps]=mapminmax(output_train,0,1);%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 %trainc traincgb traincgf traincgp traingda traingdx trainlm %trainoss trainr trainrp trains trainscg net=newff(minmax(inputn),[15,1],{'logsig','tansig'},'trainlm'); %net.trainParam.showWindow = false;%关闭训练窗口 %net.trainParam.max_fail = 9; net.trainParam.epochs=5000;%最大迭代次数 net.trainParam.lr=0.1;%学习率 net.trainParam.goal=0.00001;%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); outputn_test=mapminmax('apply',output_test,outputps); %网络预测输出 an=sim(net,inputn_test); an1=sim(net,inputn); [MSE0 ,RMSE0, MBE0 ,MAE0,MAPE0 ] =MSE_RMSE_MBE_MAE(outputn,an1) [MSE ,RMSE, MBE ,MAE ,MAPE] =MSE_RMSE_MBE_MAE(outputn_test,an) R20 = R_2(outputn,an1) R2 = R_2(outputn_test,an) %网络输出反归一化 BPoutput=(mapminmax('reverse',an,outputps)); BPoutput1=(mapminmax('reverse',an1,outputps)); %% 结果分析 figure 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('BP神经网络仿真值','真实值','Location','southeast')%标签 title('BP神经网络','fontsize',12)%标题 字体大小为12 xlabel('样本','fontsize',12)%X轴 set(gca,'fontsize',12) figure plot(BPoutput1,'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_train,'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('BP神经网络训练拟合值','真实值','Location','southeast')%标签 title('BP神经网络','fontsize',12)%标题 字体大小为12 xlabel('样本','fontsize',12)%X轴 set(gca,'fontsize',12) %预测误差 error=BPoutput-output_test; figure plot(error,'-*') title('BP网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12) set(gca,'fontsize',12) xlswrite('shuju.xlsx',num) figure plot(BPoutput1,output_train,'ko') hold on figure plot(BPoutput1,output_train,'ko') hold on a = polyfit(BPoutput1,output_train,1); y = polyval(a,[min([BPoutput1 output_train]) max([BPoutput1 output_train])]); plot([min([BPoutput1 output_train]) max([BPoutput1 output_train ])],y,'k-','LineWidth',1.5) hold on plot([min([BPoutput1 output_train]) max([BPoutput1 output_train]) ],[min([BPoutput1 output_train]) max([BPoutput1 output_train])],'b-','LineWidth',1.5) hold on xlim([min([BPoutput1 output_train]) max([BPoutput1 output_train ])]) ylim([min([BPoutput1 output_train]) max([BPoutput1 output_train ])]) xlabel('预测值') ylabel('实际值') legend('训练数据集','线性拟合','Y=X') error1 = BPoutput1 - output_train; numz = zeros(4,2); for ii = 1:length(error1) if error1(ii)<-10 numz(1,1) = numz(1,1)+1; elseif error1(ii)<-0 numz(2,1) = numz(2,1)+1; elseif error1(ii)<10 numz(3,1) = numz(3,1)+1; else numz(4,1) = numz(4,1)+1; end end for ii = 1:length(error) if error(ii)<-10 numz(1,2) = numz(1,2)+1; elseif error(ii)<-0 numz(2,2) = numz(2,2)+1; elseif error(ii)<10 numz(3,2) = numz(3,2)+1; else numz(4,2) = numz(4,2)+1; end end x =-10:10:20; numz(:,1) = numz(:,1)./sum(numz(:,1))*100; numz(:,2) = numz(:,2)./sum(numz(:,2))*100; figure bar(x,numz) xlabel('误差') ylabel('百分比') vaf = 1-sum(error.^2)/sum(output_test.^2); vaf0 = 1-sum(error1.^2)/sum(output_train.^2);