基于BP神经网络的回归分析，基于优化动量因子的BP神经网络，基于优化学习率的BP神经网络，基于优化隐藏层神经元的bp神经网络

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 [a,ax,ay] = xlsread('月光燃尽.xlsx'); rng(3) num = a(:,5:end); num1 = zeros(230,30); num2 = zeros(46,30); for ii = 1:46 num1((ii-1)*5+1:ii*5,:) = num((ii-1)*6+1:(ii-1)*6+5,:); num2(ii,:) = num(ii*6,:); end input_train=num1(:,2:30)';%训练数据的输入数据 output_train=num1(:,1)';%训练数据的输出数据4 input_test=num2(:,2:30)';%测试数据的输入数据 output_test=num2(:,1)'; %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,-1,1);%训练数据的输入数据的归一化 [outputn,outputps]=mapminmax(output_train,-1,1);%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 net=newff(inputn,outputn,[10],{'logsig','tansig'},'trainlm'); %net.trainParam.max_fail = 950; net.trainParam.epochs=500;%最大迭代次数 net.trainParam.lr=0.69;%学习率 net.trainParam.goal=0.001;%学习目标 net.trainParam.mu=0.1;% %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=(mapminmax('reverse',an,outputps)); % BPoutput = BPoutput-1; R2 = R_2(output_test,BPoutput); [MSE0, RMSE0, MBE0, MAE0 ] =MSE_RMSE_MBE_MAE(output_test,BPoutput); % save maydata.mat net inputps outputps %% 结果分析 figure plot(BPoutput(1,:),'r-o')%预测的结果数据画图：代表虚线，O代表圆圈标识，G代表绿色 hold on plot(output_test(1,:),'k-*');%期望数据，即真实的数据画图，-代表实现，*就是代表*的标识 hold on legend('BP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('AHP评分') set(gca,'fontsize',12) %预测误差 error=BPoutput-output_test; figure plot(error') ylabel('误差') result_table = table; result_table.BPoutput = BPoutput'; result_table.output_test = output_test'; result_table.error = error'; writetable(result_table,'./结果.csv') result_table1 = table; result_table1.lr=0.69; result_table1.epochs=500;%最大迭代次数 result_table1.goal=0.01;%学习目标 result_table1.R2 = R2; writetable(result_table1,'./结果2.csv')