基于深度置信网络的多输入单输出回归预测（DBN）（Matlab完整程序和数据）

%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 %% 导入数据 res = xlsread('数据集.xlsx'); %% 数据分析 num_size = 0.7; % 训练集占数据集比例 outdim = 1; % 最后一列为输出 num_samples = size(res, 1); % 样本个数 res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 划分训练集和测试集 P_train = res(1: num_train_s, 1: f_)'; T_train = res(1: num_train_s, f_ + 1: end)'; M = size(P_train, 2); P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; N = size(P_test, 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 转置以适应模型 p_train = p_train'; p_test = p_test'; t_train = t_train'; t_test = t_test'; %% 模型预训练 dbn.sizes = [50, 50]; % 隐藏层节点数 opts.numepochs = 500; % 训练次数 opts.batchsize = 12; % 每次训练样本个数 需满足：（M / batchsize = 整数） opts.momentum = 0; % 动量参数 opts.alpha = 0.1; % 学习率 dbn = dbnsetup(dbn, p_train, opts); % 建立模型 dbn = dbntrain(dbn, p_train, opts); % 训练模型 %% 训练权重移植，添加输出层 nn = dbnunfoldtonn(dbn, outdim); %% 反向调整网络 opts.numepochs = 3000; % 反向微调次数 opts.batchsize = 12; % 每次反向微调样本数 需满足：（M / batchsize = 整数） nn.activation_function = 'sigm'; % 激活函数 nn.learningRate = 2; % 学习率 nn.momentum = 0.5; % 动量参数 nn.scaling_learningRate = 1; % 学习率的比例因子 [nn, loss] = nntrain(nn, p_train, t_train, opts); % 反向微调训练 %% 模型预测 t_sim1 = nnpredict(nn, p_train); t_sim2 = nnpredict(nn, p_test ); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); %% 均方根误差 error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N); %% 绘制损失函数曲线 figure plot(1 : length(loss), loss, 'b-', 'LineWidth', 1) xlim([1, length(loss)]) xlabel('迭代次数') ylabel('误差损失') legend('损失函数') title('损失函数') grid %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值','预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值','预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比';['RMSE=' num2str(error2)]}; title(string) xlim([1, N]) grid %% 相关指标计算 % R2 R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2; R2 = 1 - norm(T_test - T_sim2')^2 / norm(T_test - mean(T_test ))^2; disp(['训练集数据的R2为：', num2str(R1)]) disp(['测试集数据的R2为：', num2str(R2)]) % MAE mae1 = sum(abs(T_sim1' - T_train)) ./ M ; mae2 = sum(abs(T_sim2' - T_test )) ./ N ; disp(['训练集数据的MAE为：', num2str(mae1)]) disp(['测试集数据的MAE为：', num2str(mae2)]) % MBE mbe1 = sum(T_sim1' - T_train) ./ M ; mbe2 = sum(T_sim2' - T_test ) ./ N ; disp(['训练集数据的MBE为：', num2str(mbe1)]) disp(['测试集数据的MBE为：', num2str(mbe2)])