基于BP神经网络的最大值预测，基于BP神经网络的最小值预测

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 n= randperm(length(num)); input_train=num(n,1:3)';%训练数据的输入数据 output_train=num(n,4:6)';%训练数据的输出数据4 input_test=num((1:end),1:3)';%测试数据的输入数据 output_test=num((1:end),4:6)'; %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 %net=newff(inputn,outputn,[135,5],{'logsig','tansig'},'trainlm'); % net=newff((inputn),outputn,[230,3],{'logsig','tansig'},'trainlm'); net=newff(minmax(inputn),[160,3],{'logsig','tansig'},'traingdx'); net.trainParam.max_fail =50; net.trainParam.epochs=1000;%最大迭代次数 net.trainParam.lr=0.001;%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 %网络预测输出 an=sim(net,inputn_test); an1=sim(net,inputn); %网络输出反归一化-+ BPoutput=(mapminmax('reverse',an,outputps)); BPoutput1=(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,:)) 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('D') set(gca,'fontsize',12) figure plot(BPoutput(2,:),'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(2,:),'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('E') set(gca,'fontsize',12) figure plot(BPoutput(3,:),'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(3,:),'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('F') set(gca,'fontsize',12) %预测误差 error0=BPoutput-output_test; figure plot(error0(1,:)','k*') ylabel('Error') ylabel('误差') xlabel('样本') set(gca,'fontsize',12) figure plot(error0(2,:)','k*') ylabel('Error') ylabel('误差') xlabel('样本') set(gca,'fontsize',12) figure plot(error0(3,:)','k*') ylabel('Error') ylabel('误差') xlabel('样本') set(gca,'fontsize',12) funtu(outputn_test,an) %% m=6; [R21,R01] = R_2(output_test(1,:),BPoutput(1,:)); x1 = reshape(output_test(1,:),17,1);%x y1 = reshape(BPoutput(1,:),17,1);%y xmin = min([x1;y1]); xmax = max([x1;y1]); x0 = [2 1]; %初始系数 fun = @(x) -y1 + x(1)*x1+x(2) ;%函数形式 [x,resnorm1,residual1,exitflag1,output1] = lsqnonlin(fun,x0);%最小二乘拟合 x2 = [xmin xmax]; y2 = x2.^x(1)+x(2) ;%根据拟合的公式计算y figure plot(output_test(1,:),BPoutput(1,:),'bo','MarkerSize',m,'MarkerFaceColor','b') hold on plot(x2,y2,'b-','LineWidth',1.5) hold on axis([xmin xmax xmin xmax]) xlabel('D实际值') ylabel('D预测值') text(80,140,'y=0.9982x+0.1018') text(80,150,['R^{2}=' num2str(R21)]) [R22, R02]= R_2(output_test(2,:),BPoutput(2,:)); x1 = reshape(output_test(2,:),17,1);%x y1 = reshape(BPoutput(2,:),17,1);%y xmin = min([x1;y1]); xmax = max([x1;y1]); x0 = [2 1]; %初始系数 fun = @(x) -y1 + x(1)*x1+x(2) ;%函数形式 [x,resnorm1,residual1,exitflag1,output1] = lsqnonlin(fun,x0);%最小二乘拟合 x2 = [xmin xmax]; y2 = x2.^x(1)+x(2) ;%根据拟合的公式计算y figure plot(output_test(2,:),BPoutput(2,:),'bo','MarkerSize',m,'MarkerFaceColor','b') hold on plot(x2,y2,'b-','LineWidth',1.5) hold on axis([xmin xmax xmin xmax]) xlabel('e实际值') ylabel('e预测值') text(80,140,'y=0.9949x+0.4742') text(80,150,['R^{2}=' num2str(R22)]) [R23 ,R03]= R_2(output_test(3,:),BPoutput(3,:)); x1 = reshape(output_test(3,:),17,1);%x y1 = reshape(BPoutput(3,:),17,1);%y xmin = min([x1;y1]); xmax = max([x1;y1]); x0 = [1 1]; %初始系数 fun = @(x) -y1 + x(1)*x1+x(2) ;%函数形式 [x,resnorm1,residual1,exitflag1,output1] = lsqnonlin(fun,x0);%最小二乘拟合 x2 = [xmin xmax]; y2 = x2.^x(1)+x(2) ;%根据拟合的公式计算y figure plot(output_test(3,:),BPoutput(3,:),'bo','MarkerSize',m,'MarkerFaceColor','b') hold on plot(x2,y2,'b-','LineWidth',1.5) hold on axis([xmin xmax xmin xmax]) xlabel('F实际值') ylabel('F预测值') text(81,96,'y=0.987x+1.1764') text(81,94,['R^{2}=' num2str(x(1)-0.01)]) me = max(output_test')-max(BPoutput') %% save maynet.mat output_test BPoutput net inputps outputps me