BP神经网络进行回归拟合问题和分类问题，对比双层BP神经网络

% ----------------------- README ------------------------------------------ % ------------------- 原创声明 ------------------------------------------- % -------------- 最后一次修改：2023/7/12 ------------------------------------ % ------------------- 欢迎关注₍^.^₎♡ ------------------------------------- % -------------- 项目：BP神经网络预测改进 -------------------------------- % -------------- B站：KAU的云实验台_s ------------------------------------- % -------------- CSDN:KAU的云实验台 --------------------------------------- % ------------------------------------------------------------------------- %% 初始化 clear close all clc format shortg rng(3) %% 读取读取 % load('data.mat') % % input = input(1:200,:); % output = output(1:200); load('concrete_data.mat') input = attributes'; output = strength; %输入输出数据 input=input'; n = randperm(size(input,2));%随机选取 % n=1:size(input,2);%顺序选取 N=length(output); %全部样本数目 testNum=floor(N*0.2); %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(:,n(1:trainNum)); output_train = output(:,n(1:trainNum)); input_test = input(:,n((trainNum+1):end)); output_test = output(:,n((trainNum+1):end)); %% 数据归一化 [inputn,inputps]=mapminmax(input_train,-1,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 1 单隐含层BP预测 %% 构建BP神经网络 disp(' ') disp('单隐含层BP预测：') inputnum=size(input,1); outputnum=size(output,1); hiddennum=15;%设置隐含层节点数为7 net0=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net0.trainParam.epochs=500; % 训练次数，这里设置为500次 net0.trainParam.lr=0.1; % 学习速率，这里设置为0.01 net0.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net0.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net0.trainParam.mc=0.01; % 动量因子 net0.trainParam.min_grad=1e-6; % 最小性能梯度 net0.trainParam.max_fail=6; % 最高失败次数 %开始训练 net0=train(net0,inputn,outputn); %预测 an0=sim(net0,inputn_test); %用训练好的模型进行仿真 %预测结果反归一化与误差计算 BPtest_simu0=mapminmax('reverse',an0,outputps); %把仿真得到的数据还原为原始的数量级 % 误差分析 % output_test 实际值 % test_simu0 BP预测值 % GAtest_simu GABP预测值 n = size(output_test,2); ms_bp = abs(BPtest_simu0-output_test)./output_test; mae_bp = mean(abs(output_test - BPtest_simu0)); rmse_bp = sqrt(mean((output_test - BPtest_simu0).^2)); mape_bp = mean(abs((output_test - BPtest_simu0)./BPtest_simu0)); %% 2 多隐含层BP预测 %% 构建BP神经网络 disp(' ') disp('多隐含层BP预测：') inputnum=size(input,1); outputnum=size(output,1); hiddennum1=15;%设置隐含层节点数为7 hiddennum2=15;%设置隐含层节点数为7 net1=newff(inputn,outputn,[hiddennum1 hiddennum2],{'logsig','tansig','purelin'},'trainlm');% 建立模型 %网络参数配置 net1.trainParam.epochs=500; % 训练次数，这里设置为500次 net1.trainParam.lr=0.1; % 学习速率，这里设置为0.01 net1.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net1.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net1.trainParam.mc=0.01; % 动量因子 net1.trainParam.min_grad=1e-6; % 最小性能梯度 net1.trainParam.max_fail=6; % 最高失败次数 %开始训练 net1=train(net1,inputn,outputn); %预测 an1=sim(net1,inputn_test); %用训练好的模型进行仿真 %预测结果反归一化与误差计算 IBPtest_simu0=mapminmax('reverse',an1,outputps); %把仿真得到的数据还原为原始的数量级 % 误差分析 % output_test 实际值 % test_simu0 BP预测值 % GAtest_simu GABP预测值 n = size(output_test,2); ms_ibp = abs(IBPtest_simu0-output_test)./output_test; mae_ibp = mean(abs(output_test - IBPtest_simu0)); rmse_ibp = sqrt(mean((output_test - IBPtest_simu0).^2)); mape_ibp = mean(abs((output_test - IBPtest_simu0)./IBPtest_simu0));