BP.rar_BAYESIAN control_L 正则化_大坝温度_正则化 优化_温度预报

%基于BP方法的神经网络 close all clear all clc %输入向量 p=load('data.txt'); %p=xlsread('D:\matlab\matlab\work\新建文件夹 (2)\新建文件夹\溪洛渡数据.xls',2,'A2:G156'); %归一化 for i=1:8 data(:,i)=(p(:,i)-min(p(:,i)))/(max(p(:,i))-min(p(:,i))); end a=p(:,8); %训练 testnum=50;%检验数据组数 test_num=50;%检验数据个数 max_node=8;%隐层节点数 rmse=[];%每行存贮训练与检验rmse nr=size(data,1); train_num=nr-test_num;%训练数据数 %训练集,最后列为实际值,前面为输入,每行为一个输入 train_in=data(1:nr-testnum,1:7)'; % train_in 为输入矢量 train_out=data(1:nr-testnum,8)'; % train_out 为目标矢量 %检验集 test_in=data(nr-testnum+1:328,1:7)'; test_out=data(nr-testnum+1:328,8)'; net=newff(minmax(train_in),[max_node,1],{'tansig','logsig'},'trainlm'); disp('1. L-M 优化算法 TRAINLM'); disp('2. 贝叶斯正则化算法 TRAINBR'); choice=input('请选择训练算法(1,2):'); if(choice==1) % 采用 L-M 优化算法 TRAINLM net.trainFcn='trainlm'; % 设置训练参数 net.trainParam.epochs=500; net.trainParam.goal=0.005; LP.lr=0.01; net.trainParam.show=net.trainParam.epochs; % 重新初始化 net=init(net); pause; elseif(choice==2) % 采用贝叶斯正则化算法 TRAINBR net.trainFcn='trainbr'; %设定网络训练参数 net.trainParam.epochs=500; net.trainParam.goal=0.005; LP.lr=0.01; net.trainParam.show=net.trainParam.epochs; % 重新初始化 net = init(net); pause; end % 调用相应算法训练 BP 网络 net=train(net,train_in,train_out); sim_train=sim(net,train_in);%模拟 %反归一化 out_train=sim_train*(max(a)-min(a))+min(a); sim_test=sim(net,test_in); %反归一化 out_test=sim_test*(max(a)-min(a))+min(a); out_traindata=p(1:nr-testnum,8)'; out_testdata=p(nr-testnum+1:328,8)'; %-------------------------------------- figure x=1:length(out_traindata); subplot(2,1,1); plot(x,out_traindata,'b-',x,out_traindata,'bo',x,out_train,'r--',x,out_train,'r.'); title('Training data set'); x=1:test_num; subplot(2,1,2); plot(x,out_testdata,'b-',x,out_testdata,'bo',x,out_test,'r--',x,out_test,'r.'); title('Testing data set'); tmp=corrcoef(test_out,sim_test); fprintf('相关系数：%0.2% 、\n',tmp); tmo=corrcoef(train_out,sim_train);