基于MATLAB实现的BP神经网络预测用于交通流量预测的程序+使用说明文档.zip

%输入矢量p p=[52 50 0.5; 56 55 1; 55 59 1; 57 55 1; 35 33 0.1; 32 34 0.1; 57 56 1; 58 56 1; 59 58 1; 59 58 1; 56 55 1; 58 57 1; 59 57 1; 59 58 1; 55 56 1; 51 50 0.5; 52 53 0.5; 51 50 0.5; 60 59 1; 55 54 1; 57 57 1; 35 31 0.1; 58 59 1; 56 56 1; 59 59 1; 30 30 0.1; 50 49 0.5; 53 50 0.5; 57 56 1; 58 58 1]'; %目标矢量 t=[35 31 20 36 35 39 ; 48 40 28 49 40 48 ; 55 48 31 55 42 60; 58 45 32 57 44 59 ; 51 42 32 50 48 50 ; 30 28 23 33 31 32 ; 32 29 22 30 29 35 ; 53 43 33 51 42 52; 52 43 29 56 45 51 ; 50 45 29 55 39 51 ; 50 50 32 50 41 54 ; 55 43 29 56 41 51 ; 53 50 30 54 43 51 ; 52 43 35 49 40 55 ; 52 52 32 47 41 50 ; 54 52 28 47 42 55; 46 49 30 48 46 49 ; 47 48 35 50 38 45 ; 48 45 30 48 39 48 ; 56 44 28 53 41 58 ; 54 50 31 52 45 50 ; 29 25 30 35 28 28 ; 52 45 32 51 46 55 ; 54 50 32 50 41 57; 51 48 29 48 42 52; 30 27 20 31 29 32 ; 49 41 29 41 40 49 ; 47 43 30 40 39 48 ; 50 48 30 40 40 53; 51 47 32 48 43 52 ]; %归一化 u_test=[ t(:,28) t(:,29) t(:,30)]; %创建一个新的前向神经网络 %带动量的批处理梯度下降法（TRAINGDM） net=newff(minmax(P),[20,1],{'logsig','purelin'},'traingdm')%minmax(p)是说p输入的最大值和最小值;[20,1]:Size of ith layer, for Nl layers;'traingdm'：训练功能； %{'logsig','purelin'}：转移函数 %当前输入层权值和阀值 %inputWeights=net.IW{1,1} inputWeights=-2.5+5*rand(20) inputbias=net.b{1} %当前网络层权值和阀值 layerWeights=net.LW{2,1} layerbias=net.b{2} %设置训练参数 net.trainParam.show=200;%每隔50次显示一次 net.trainParam.lr=0.15;%lr表示学习速率 net.trainParam.mc=0.8;%mc表示动量系数 net.trainParam.epochs=100000; net.trainParam.goal=1e-15; %调用traingdm算法训练BP网络 [net,tr]=train(net,P,T); %对BP网络进行仿真 A=sim(net,P) %计算仿真误差 E=T-A; MSE=mse(E) Y=[1 2 2.5 3]; X=sim(net,Y) %plot(P,A,Y,X,'o') echo off -------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------- %我写了个径向基函数神经网络试一下，不知行不行呀 close all clf reset figure(gcf); echo on clc % NEWRB 设计径向基函数神经网络 % SIM 对径向基函数网络进行仿真 pause clc x=[-1:0.05:-0.05 0.05:0.05:1];% 扣除‘0’的不可除 y=sin(pi*x)./(pi*x); % 画出待逼近函数的图形 aa=length(x); for i=1:aa for j=1:aa z(i,j)=y(i).*y(j); end end mesh(z) pause clc % 设计径向基函数网络，对函数进行逼近 goal=1e-10; % 误差指标 sp=1; % 扩展常数 mn=20; % 神经元的最多个数 df=1; %训练过程的显示频率 net=newrb(x,z,goal,sp,mn,df); pause clc % 对网络进行仿真，并画出样本数据和网络输出图形 Y=sim(net,x); figure; mesh(z); pause figure; mesh(Y); E=z-Y echo off