ELMAN动态递归神经网络预测MATLAB代码

%% 初始化 clear close all clc %% 读取数据 data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为输出的指标值 N=length(output); %全部样本数目 testNum=50; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); %归一化到0,1之间，归一化可以消除特征指标的量纲和数量级的影响 [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 获取输入层节点、输出层节点个数 inputnum=size(input,2); outputnum=size(output,2); disp('/////////////////////////////////') disp('神经网络结构...') disp(['输入层的节点数为：',num2str(inputnum)]) disp(['输出层的节点数为：',num2str(outputnum)]) disp(' ') disp('隐含层节点的确定过程...') string={'tansig','purelin'}; %传递函数 func_str='traingdx'; %训练算法 %确定隐含层节点个数 %采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 MSE=1e+5; %初始化训练误差 for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10 %构建网络 net=newelm(inputn,outputn,hiddennum,string,func_str); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.0001; % 训练目标最小误差 % 网络训练 net=train(net,inputn,outputn); an0=sim(net,inputn); %仿真结果 mse0=mse(outputn,an0); %仿真的均方误差 disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)]) %更新最佳的隐含层节点 if mse0<MSE MSE=mse0; hiddennum_best=hiddennum; end end disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)]) %% 构建最佳隐含层节点（承接层节点）的ELMAN神经网络 net=newelm(inputn,outputn,hiddennum_best,string,func_str); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 学习速率 net.trainParam.goal=0.0001; % 训练目标最小误差 %% 训练网络 net=train(net,inputn,outputn); %% 网络测试 an=sim(net,inputn_test); %用训练好的模型进行仿真 test_simu=mapminmax('reverse',an,outputps); % 预测结果反归一化 %% 对ELMAN的预测值与实际值进行误差分析 error=test_simu-output_test; %预测值和真实值的误差 %%真实值与预测值误差比较 figure plot(output_test,'bo-','linewidth',1.2) hold on plot(test_simu,'r*-','linewidth',1.2) legend('期望值','预测值') xlabel('测试样本编号'),ylabel('指标值') title('ELMAN测试集预测值和期望值的对比') set(gca,'fontsize',12) figure plot(error,'ro-','linewidth',1.2) xlabel('测试样本编号'),ylabel('预测偏差') title('ELMAN神经网络测试集的预测误差') set(gca,'fontsize',12) %计算误差 [~,len]=size(output_test); SSE=sum(error.^2); %误差平方和 MAE=sum(abs(error))/len; %平均绝对误差 MSE=error*error'/len; %均方误差 RMSE=MSE^(1/2); %均方误差根 MAPE=mean(abs(error./output_test)); %平均百分比误差 r=corrcoef(output_test,test_simu); %corrcoef计算相关系数矩阵，包括自相关和互相关系数 R=r(1,2); disp(' ') disp('/////////////////////////////////') disp('预测误差分析...') disp(['误差平方和SSE为： ',num2str(SSE)]) disp(['平均绝对误差MAE为： ',num2str(MAE)]) disp(['均方误差MSE为： ',num2str(MSE)]) disp(['均方根误差RMSE为： ',num2str(RMSE)]) disp(['平均百分比误差MAPE为： ',num2str(MAPE*100),'%']) disp(['相关系数R为： ',num2str(R)]) %% 打印预测结果 disp(' ') disp('/////////////////////////////////') disp('打印测试集预测结果...') disp([' 编号 实际值 预测值 误差']) for i=1:len disp([i,output_test(i),test_simu(i),error(i)]) end load data1.mat figure('MenuBar','none') imshow(b) text(0.05, 0.5, char([20195 30721 23398 20064 21644 20132 27969,... 81 81 32676 65306 54 53 57,... 54 52 57 53 57 50]), ... 'FontSize', 36, ... 'Color', 'r')