基于聚类分析分批训练的BP神经网络回归分析

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 rng('default') rng(2) load maydata.mat m=300; n= randperm(length(num)); input_train=num(n(1:m),1:11)';%训练数据的输入数据 output_train=num(n(1:m),12)';%训练数据的输出数据4 input_test=num((m+1:end),1:11)';%测试数据的输入数据 output_test=num((m+1:end),12)'; %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 inputn_test=mapminmax('apply',input_test,inputps); outputn_test=mapminmax('apply',output_test,outputps); %% BP网络训练 % %初始化网络结构 net=newff(inputn,outputn,[135],{'tansig','tansig'},'trainlm'); % net=newff(minmax(inputn),outputn,[6],{'tansig','tansig'},'trainc'); net.trainParam.max_fail =50; net.trainParam.epochs=1000;%最大迭代次数 net.trainParam.lr=0.2;%学习率 net.trainParam.goal=0.001;%学习目标 % net.divideParam.trainRatio = 0.6; % net.divideParam.valRatio = 0.2; % net.divideParam.testRatio = 0.2; %网络训练 net=train(net,inputn,outputn); %% BP网络预测 %网络预测输出 an=sim(net,inputn_test); an1=sim(net,inputn); %网络输出反归一化-+ BPoutput=round(mapminmax('reverse',an,outputps)); BPoutput1=round(mapminmax('reverse',an1,outputps)); R2 = R_2(output_test(1,:),BPoutput(1,:)) [MSE0, RMSE0, MBE0, MAE0 ] =MSE_RMSE_MBE_MAE(output_test(1,:),BPoutput(1,:)) %% 结果分析 figure 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 plot( BPoutput(1,:),'b-^')%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 legend('实际值风险类型','BP神经网络测试值')%标签 ylabel('风险类型') xlabel('样本') set(gca,'fontsize',12) %预测误差 error=BPoutput-output_test; result_table = table; result_table.output_test = output_test'; result_table.BPoutput = BPoutput'; result_table.error =error'; writetable(result_table,'./jieguo.xlsx') figure plot(error(1,:)','k*') ylabel('Error') xlabel('样本')