bp_road.rar_BP neural network；_Freight_柔性神经网络_神经网络

numberOfSample = 20; %输入样本数量 %取测试样本数量等于输入(训练集)样本数量，因为输入样本（训练集）容量较少，否则一般必须用新鲜数据进行测试 numberOfTestSample = 20; numberOfForcastSample = 2; numberOfHiddenNeure = 8; inputDimension = 3; outputDimension = 2; %准备好训练集 %人数(单位：万人) numberOfPeople=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63]; %机动车数(单位：万辆) numberOfAutomobile=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1]; %公路面积(单位：万平方公里) roadArea=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79]; %公路客运量(单位：万人) passengerVolume = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462]; %公路货运量(单位：万吨) freightVolume = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804]; %由系统时钟种子产生随机数 rand('state', sum(100*clock)); %输入数据矩阵 input = [numberOfPeople; numberOfAutomobile; roadArea]; %目标（输出）数据矩阵 output = [passengerVolume; freightVolume]; %对训练集中的输入数据矩阵和目标数据矩阵进行归一化处理 [sampleInput, minp, maxp, tmp, mint, maxt] = premnmx(input, output); %噪声强度 noiseIntensity = 0.01; %利用正态分布产生噪声 noise = noiseIntensity * randn(outputDimension, numberOfSample); %给样本输出矩阵tmp添加噪声，防止网络过度拟合 sampleOutput = tmp + noise; %取测试样本输入(输出)与输入样本相同，因为输入样本（训练集）容量较少，否则一般必须用新鲜数据进行测试 testSampleInput = sampleInput; testSampleOutput = sampleOutput; %最大训练次数 maxEpochs = 50000; %网络的学习速率 learningRate = 0.035; %训练网络所要达到的目标误差 error0 = 0.65*10^(-3); %初始化输入层与隐含层之间的权值 W1 = 0.5 * rand(numberOfHiddenNeure, inputDimension) - 0.1; %初始化输入层与隐含层之间的阈值 B1 = 0.5 * rand(numberOfHiddenNeure, 1) - 0.1; %初始化输出层与隐含层之间的权值 W2 = 0.5 * rand(outputDimension, numberOfHiddenNeure) - 0.1; %初始化输出层与隐含层之间的阈值 B2 = 0.5 * rand(outputDimension, 1) - 0.1; %保存能量函数(误差平方和)的历史记录 errorHistory = []; for i = 1:maxEpochs %隐含层输出 hiddenOutput = logsig(W1 * sampleInput + repmat(B1, 1, numberOfSample)); %输出层输出 networkOutput = W2 * hiddenOutput + repmat(B2, 1, numberOfSample); %实际输出与网络输出之差 error = sampleOutput - networkOutput; %计算能量函数(误差平方和) E = sumsqr(error); errorHistory = [errorHistory E]; if E < error0 break; end %以下依据能量函数的负梯度下降原理对权值和阈值进行调整 delta2 = error; delta1 = W2' * delta2.*hiddenOutput.*(1 - hiddenOutput); dW2 = delta2 * hiddenOutput'; dB2 = delta2 * ones(numberOfSample, 1); dW1 = delta1 * sampleInput'; dB1 = delta1 * ones(numberOfSample, 1); W2 = W2 + learningRate * dW2; B2 = B2 + learningRate * dB2; W1 = W1 + learningRate * dW1; B1 = B1 + learningRate * dB1; end %下面对已经训练好的网络进行(仿真)测试 %对测试样本进行处理 testHiddenOutput = logsig(W1 * testSampleInput + repmat(B1, 1, numberOfTestSample)); testNetworkOutput = W2 * testHiddenOutput + repmat(B2, 1, numberOfTestSample); %还原网络输出层的结果(反归一化) a = postmnmx(testNetworkOutput, mint, maxt); %绘制测试样本神经网络输出和实际样本输出的对比图(figure(1))-------------------------------------- t = 1990:2009; %测试样本网络输出客运量 a1 = a(1,:); %测试样本网络输出货运量 a2 = a(2,:); figure(1); subplot(2, 1, 1); plot(t, a1, 'ro', t, passengerVolume, 'b+'); legend('网络输出客运量', '实际客运量'); xlabel('年份'); ylabel('客运量/万人'); title('神经网络客运量学习与测试对比图'); grid on; subplot(2, 1, 2); plot(t, a2, 'ro', t, freightVolume, 'b+'); legend('网络输出货运量', '实际货运量'); xlabel('年份'); ylabel('货运量/万吨'); title('神经网络货运量学习与测试对比图'); grid on; %使用训练好的神经网络对新输入数据进行预测 %新输入数据(2010年和2011年的相关数据) newInput = [73.39 75.55; 3.9635 4.0975; 0.9880 1.0268]; %利用原始输入数据(训练集的输入数据)的归一化参数对新输入数据进行归一化 newInput = tramnmx(newInput, minp, maxp); newHiddenOutput = logsig(W1 * newInput + repmat(B1, 1, numberOfForcastSample)); newOutput = W2 * newHiddenOutput + repmat(B2, 1, numberOfForcastSample); newOutput = postmnmx(newOutput, mint, maxt); disp('预测2010和2011年的公路客运量分别为(单位：万人)：'); newOutput(1,:) disp('预测2010和2011年的公路货运量分别为(单位：万吨)：'); newOutput(2,:) %在figure(1)的基础上绘制2010和2011年的预测情况------------------------------------------------- figure(2); t1 = 1990:2011; subplot(2, 1, 1); plot(t1, [a1 newOutput(1,:)], 'ro', t, passengerVolume, 'b+'); legend('网络输出客运量', '实际客运量'); xlabel('年份'); ylabel('客运量/万人'); title('神经网络客运量学习与测试对比图(添加了预测数据)'); grid on; subplot(2, 1, 2); plot(t1, [a2 newOutput(2,:)], 'ro', t, freightVolume, 'b+'); legend('网络输出货运量', '实际货运量'); xlabel('年份'); ylabel('货运量/万吨'); title('神经网络货运量学习与测试对比图(添加了预测数据)'); grid on; %观察能量函数(误差平方和)在训练神经网络过程中的变化情况------------------------------------------ figure(3); n = length(errorHistory); t3 = 1:n; plot(t3, errorHistory, 'r-'); %为了更加清楚地观察出能量函数值的变化情况，这里我只绘制前100次的训练情况 xlim([1 100]); xlabel('训练过程'); ylabel('能量函数值'); title('能量函数(误差平方和)在训练神经网络过程中的变化图'); grid on;