matlab神经网络空气质量指数预测.zip

%% 学习率与节点的确定实验 %通过第一条数据的的测试 clear %% 节点确定函数 记得把画图部分去掉 MSE_train=[]; %mse 的每轮记录 Hid=ones(1,2)*nan; o=[]; selfhid=2; EMIN=[0.0001]; ep=0; MSE_train=[]; EMIN=[]; k=0; Error1=0; LR1=[]; m=0; %迭代次数初始化定义 %最好的均方误差 Err_squ=[]; %误差的平方记录（单轮记录） Err_record=[];%每个数据的第一次迭代误差一共epoch*length（Y——train）个 %mse 的每轮记录 Y_train_exp = []; %训练集实验结果 Y_test_exp = []; %测试集实验结果 which=1; %1-6对应co no 03 p10 p2.5 so2 for i1=1:100%记录节点数个数 Hid=[Hid ;selfhid ep]; selfhid=selfhid+1 Err_squ=[]; %误差的平方记录（单轮记录） ep=0; m=0; MSE_train=[]; EMIN=[]; clear bpout TestSamln Delta1 Delta2 dW1 dW2 Error HiddenOut Lr TestSamln Y YHistory YHistory1 %% 写数据 %[X_train, Y_train ,X_test ,Y_test]= writeindata(450,50,1); %最大最小归一化写入数据1000训练，30测试,which选择输入 %save data X_train Y_train X_test Y_test load data %% 神经网络参数定义 InDim=length(X_train(1,:)); %输入层神经元数当前6+4小时+平均 HiddenUnitNum=selfhid; %隐含层神经元数%%%%%%%%%%可调参03 的参数48可 OutDim=1; %输出层神经元数 Lr=0.005; %学习率%%%%%%%%%%%%%%%%%%可调参 W1=zeros(HiddenUnitNum,InDim);%W1=unifrnd(-0.00001,0.00001, HiddenUnitNum,InDim); %初始化的方式大小可修改 W2=zeros(OutDim,HiddenUnitNum);%W2=unifrnd(-0.00001,0.00001,OutDim,HiddenUnitNum); %随机初始化的范围可修改（-1，1） （-0.5 ，0.5） （0，1 ）等等 Epoch=2000; %数据集的重复次数3代训练 batch=1;%一次训练的数据个数%5000ci Iteration=50;%一个batch训练迭代次数 %% 训练旧数据 while (m<=Epoch) %进行5000轮迭代%%%%%%%%%%%%%可修改 m=m+1; for i=1:length(Y_train) for j=1:Iteration %% 前向传播 TestSamIn=X_train(i,:)' ; %模型的输入是前一时刻数据 HiddenOut=logsig((W1*TestSamIn)); bpout=W2*HiddenOut; %% 反向传播 Error = Y_train(i)-bpout; %计算误差=期望-输出 Delta2=Error; %反向传播输出层算子 Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut); %反向传播隐含层算子 dW2=Delta2*HiddenOut'; %输出层权值修正量 dW1=Delta1*TestSamIn'; %隐含层权值修正量 W1=W1+Lr*dW1; %输出层权值更新 W2=W2+Lr*dW2; %隐含层权值更新 if j==1 Err_squ = [Err_squ Error*Error]; % Err_record=[Err_record Error]; end end %{ sde = 0.002;%%变化的单位步长% k = Error2; %%前后两次的迭代误差的差值% if k > 0.01 Lr = Lr - (log(k) + 1) * sde; if Lr <= 0 Lr = 0.001; end elseif k < -0.01 Lr = Lr + (log(-k) + 1) * sde; end %一次迭代后自适应调整学习率 %} end%进行一轮的迭代 LR1=[LR1 Lr]; %% 记录一epoch的均方误差 if(length(Err_squ)==length(Y_train)) %记录一代过程所有数据计算的均方误差 MSE_train=[MSE_train sum(Err_squ)/length(Y_train)];%所有代的mse记录录 Err_squ=[];%MSE%误差矩阵 循环的归零 EMIN=min(MSE_train);%记录最小的mse end if EMIN>=0.08 ep=m;ep selfhid end if EMIN<0.08 break end end %% end %% 新数据拟合测试 %Rn=randperm(length(Y_test)); %产生随机数 % X_test=X_test(Rn(1:length(Y_test)),:);%每次随机打乱 % Y_test=Y_test(Rn(1:length(Y_test))); %保证数据是打乱后依旧对应 %[Y_test_exp,MSE_testlast,R_square_test]=test(W1,W2,X_test,Y_test); %plotc(Y_test,Y_test_exp,which,R_square_test);%反正则1co2no303 4p25 5p10 6so2 %EMIN %画mse plot(MSE_train) %bar(Err_squ,0.1,'r'); xlabel('实验组别') ylabel('mse')