clc
clear
%%训练数据预测数据提取及归一化
%下载输入输出数据
load data
%找出训练数据和预测数据
input_train=Sheet1(1:261,1:17);
output_train=Sheet1(1:261,18);
input_test=Sheet1(262:361,1:17);
output_test=Sheet1(262:361,18);
input_train=input_train';
output_train=output_train';
input_test=input_test';
output_test=output_test';
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%BP网络训练%初始化网络结构
%net=newff(inputn,outputn,14);
%net.trainParam.epochs=100;
%net.trainParam.lr=0.9;
%net.trainParam.goal=0.001;
net=newrb(inputn,outputn,0.9,200);
%网络训练
%net=train(net,inputn,outputn);
%BP网络预测%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
RBFoutput=mapminmax('reverse',an,outputps);
figure(1)
plot(RBFoutput,':og')
hold on
plot(output_test,'-*');
legend('预测输出','期望输出')
title('RBF网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%预测误差
error=RBFoutput-output_test;
figure(2)
plot(error,'-*')
title('RBF网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
figure(3)
plot((output_test-RBFoutput)./RBFoutput,'-*');
title('神经网络预测误差百分比')
clear all
clear
clc
data=[0.26667 0.47647 0.35 0.30741 0.39565 0.9;
0.2 0.75882 0.35 0.27778 0.53479 0.46001;
0.2 0.52353 0.4 0.33704 0.32609 0.48001;
0.66667 0.52353 0.29999 0.21852 0.27391 0.50001;
0.26667 0.75882 0.6 0.33704 0.32609 0.44001;
0.16667 0.57059 0.29999 0.27778 0.3087 0.46001;
0.2 0.71176 0.4 0.36667 0.44783 0.48001;
0.23333 0.71176 0.5 0.30741 0.15218 0.34001;
0.16667 0.42941 0.5 0.24815 0.5 0.48001;
0.13333 0.57059 0.5 0.3963 0.41305 0.48001;
0.16667 0.75882 0.5 0.21852 0.3087 0.52001;
0.16667 0.71176 0.4 0.27778 0.48261 0.44001;
0.23333 0.75882 0.5 0.33704 0.3087 0.48001;
0.13333 0.75882 0.5 0.33704 0.23913 0.42001;
0.16667 0.75882 0.2 0.18889 0.13478 0.1;
0.13333 0.71176 0.35 0.27778 0.32609 0.14;
0.2 0.24119 0.35 0.24815 0.3087 0.88001;
0.70001 0.47647 0.25 0.33704 0.20435 0.38001;
0.4 0.52353 0.2 0.15927 0.23913 0.34001;
0.26667 0.47647 0.35 0.12963 0.16957 0.36;
0.16667 0.6647 0.35 0.27778 0.27391 0.40001;
0.3 0.61764 0.55 0.24815 0.25652 0.62001;
0.13333 0.75882 0.6 0.30741 0.20435 0.62001;
0.3 0.71176 0.55 0.18889 0.20435 0.70001;
0.13333 0.57059 0.5 0.30741 0.29131 0.72001;
0.16667 0.80588 0.5 0.21852 0.23913 0.60001;
0.1 0.61764 0.6 0.21852 0.16957 0.62001;
0.23333 0.61764 0.5 0.3963 0.3087 0.70001;
0.2 0.80588 0.45 0.18889 0.1 0.48001;
0.23333 0.6647 0.45 0.1 0.11739 0.54001;
0.2 0.52353 0.29999 0.30741 0.16957 0.50001;
0.16667 0.71176 0.6 0.24815 0.23913 0.70001;
0.1 0.85293 0.6 0.12963 0.16957 0.52001;
0.3 0.61764 0.5 0.21852 0.13478 0.64001;
0.13333 0.61764 0.4 0.27778 0.23913 0.62001;
0.16667 0.80588 0.6 0.3963 0.23913 0.36;
0.23333 0.75882 0.75 0.30741 0.1 0.66001;
0.13333 0.9 0.6 0.27778 0.20435 0.44001;
0.16667 0.61764 0.29999 0.27778 0.32609 0.60001;
0.16667 0.71176 0.6 0.27778 0.27391 0.52001;
0.1 0.85293 0.45 0.1 0.23913 0.54001;
0.1 0.71176 0.69999 0.27778 0.43044 0.76001;
0.1 0.38236 0.6 0.30741 0.32609 0.64001;
0.1 0.75882 0.6 0.33704 0.25652 0.46001;
0.73333 0.71176 0.25 0.45556 0.5 0.50001;
0.56667 0.61764 0.35 0.33704 0.34348 0.74;
0.13333 0.6647 0.75 0.75186 0.69131 0.56001;
0.83334 0.61764 0.25 0.60371 0.44783 0.38001;
0.9 0.33529 0.2 0.3963 0.3087 0.54001;
0.4 0.61764 0.5 0.3963 0.44783 0.48001;
0.1 0.57059 0.4 0.57408 0.7261 0.88001;
0.16667 0.61764 0.35 0.27778 0.34348 0.38001;
0.1 0.47647 0.35 0.75186 0.83045 0.62001;
0.2 0.47647 0.35 0.81111 0.83045 0.70001;
0.1 0.33529 0.6 0.9 0.9 0.50001;
0.13333 0.24119 0.4 0.81111 0.86522 0.58356;
0.4 0.80588 0.6 0.48519 0.55218 0.42001;
0.5 0.42941 0.45 0.57408 0.37826 0.56001;
0.16667 0.28824 0.25 0.75186 0.79567 0.54001;
0.23333 0.33529 0.4 0.84075 0.65653 0.68001;
0.13333 0.57059 0.6 0.57408 0.67392 0.46001;
0.5 0.57059 0.5 0.51482 0.55218 0.44001;
0.1 0.6647 0.69999 0.57408 0.65653 0.88001;
0.3 0.75882 0.75 0.21852 0.37826 0.70001;
0.23333 0.57059 0.6 0.3963 0.41305 0.48001;
0.59999 0.80588 0.45 0.24815 0.25652 0.42001;
0.70001 0.28824 0.65 0.63334 0.58696 0.60001;
0.4 0.61764 0.4 0.33704 0.34348 0.34001;
0.46666 0.1 0.5 0.63334 0.65653 0.54001;
0.23333 0.33529 0.25 0.84075 0.7261 0.50001;
0.2 0.47647 0.1 0.27778 0.3087 0.42001;
0.36667 0.52353 0.5 0.51482 0.83045 0.62001;
0.4 0.47647 0.45 0.33704 0.32609 0.50001;
0.33333 0.33529 0.4 0.63334 0.7261 0.46001;
0.23333 0.24119 0.55 0.63334 0.7261 0.53778;
0.13333 0.24119 0.45 0.33704 0.3087 0.76001;
0.33333 0.47647 0.45 0.42593 0.41305 0.70001;
0.5 0.1 0.35 0.3963 0.48261 0.70001;
0.46666 0.52353 0.4 0.63334 0.86522 0.52001;
0.26667 0.33529 0.25 0.69259 0.83045 0.68001;
0.26667 0.71176 0.6 0.42593 0.55218 0.34001;
0.4 0.42941 0.5 0.45556 0.43044 0.52001;
0.23333 0.47647 0.6 0.54445 0.62175 0.52001;
0.36667 0.47647 0.4 0.69259 0.69131 0.52001;
0.26667 0.61764 0.29999 0.63334 0.81306 0.44001;
0.1 0.33529 0.65 0.3963 0.23913 0.44001;
0.13333 0.57059 0.6 0.51482 0.55218 0.38001;
0.2 0.33529 0.55 0.45556 0.55218 0.52001;
0.33333 0.24119 0.29999 0.57408 0.83045 0.64001;
0.16667 0.42941 0.5 0.45556 0.76088 0.58001;
0.13333 0.71176 0.65 0.45556 0.37826 0.22001;
0.1 0.71176 0.6 0.63334 0.69131 0.28001;
0.2 0.52353 0.9 0.
评论0