bp数据人口预测.rar，自适应动量因子梯度下降BP神经网络（代码完整，数据齐全）

clc clear close all load maydata.mat rand('state',0) n = randperm(744); xg = zeros(8,1); for ii = 1:7 xg(ii) = myPearson(num(:,ii) , num(:,8)); end figure plot(xg,'k-o') ylabel('相关性') xlabel('因子') input_train=num(n,1:6)';%训练数据的输入数据 output_train=num(n,8)';%训练数据的输出数据 input_test=num(601:744,1:6)';%测试数据的输入数据 output_test=num(601:744,8)'; %测试数据的输出数据 input_test1=num2(:,1:6)'; %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=0.001;%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); inputn_test1=mapminmax('apply',input_test1,inputps); outputn_test=mapminmax('apply',output_test,outputps); %网络预测输出 an=sim(net,inputn_test); an1=sim(net,inputn); an2023=sim(net,inputn_test1); an2023(an2023<0)=0; [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)); BPoutput2023=(mapminmax('reverse',an2023,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) 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; figure plot(BPoutput2023,'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 ylabel('人口') title('2023')