bp神经网络项目风险识别.rar

clc clear close all load maydata.mat rand('state',0) n=1:18; m = 14; input_train=num((1:m),1:20)';%训练数据的输入数据 output_train=num((1:m),21:25)';%训练数据的输出数据 input_test=num((m+1:end),1:20)';%测试数据的输入数据 output_test=num((m+1:end),21:25)'; %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 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 %trainc traincgb traincgf traincg`p traingda traingdx trainlm %trainoss trainr trainrp trains trainscg net=newff(minmax(inputn),[11,5],{'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=0.2;%学习率 net.trainParam.goal=0.0001;%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); load maynet.mat net an=sim(net,inputn_test); an1=sim(net,inputn); %网络输出反归一化 [~,BPoutput]=max(an); [~,BPoutput1]= max(an1); [~,output_test1]=max(output_test); [~,output_train1]= max(output_train); [MSE ,RMSE, MBE ,MAE ] =MSE_RMSE_MBE_MAE(output_test1,BPoutput) R2 = R_2(output_test1,BPoutput) %% 结果分析 % 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_train1,'b-*');%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','northwest')%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) % ylabel('风险等级') figure plot(15:18,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(15:18,output_test1,'b-*');%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','northwest')%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) ylabel('风险等级') set(gca,'YTick',1:5) ylim([1 5.01]) set(gca,'YTickLabel',str1) set(gca,'XTick',15:18) %预测误差 error=BPoutput-output_test1; 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)