sehnjingwangluo_exam_xianyu_networkcoding_神经网络_matlab_matlab神经网络

%% 此程序的训练集与测试集相等 clc,clear %% 数据输入 %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]; %输入数据矩阵 p = [numberOfPeople; numberOfAutomobile; roadArea]; %目标（输出）数据矩阵 t = [passengerVolume; freightVolume]; %% 归一化 %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 [pn, inputStr] = mapminmax(p); [tn, outputStr] = mapminmax(t); %% 建立BP神经网络 net = newff(pn, tn, [3 7 2], {'purelin', 'logsig', 'purelin'}); %每10轮回显示一次结果 net.trainParam.show = 10; %最大训练次数 net.trainParam.epochs = 5000; %网络的学习速率 net.trainParam.lr = 0.05; %训练网络所要达到的目标误差 net.trainParam.goal = 0.65 * 10^(-3); %网络误差如果连续6次迭代都没变化，则matlab会默认终止训练。为了让程序继续运行，用以下命令取消这条设置 net.divideFcn = ''; %% 开始训练网络 net = train(net, pn, tn); %使用训练好的网络，基于训练集的数据对BP网络进行仿真得到网络输出结果 %(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仿真测试) answer = sim(net, pn); %% 反归一化 answer1 = mapminmax('reverse', answer, outputStr); %% 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 = answer1(1,:); %测试样本网络输出货运量 a2 = answer1(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) %可以用excel中的线性规划来算出2010和2011年的三个相关数据 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 = mapminmax('apply', newInput, inputStr); %进行仿真 newOutput = sim(net, newInput); %反归一化 newOutput = mapminmax('reverse',newOutput, outputStr); 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;