clear all
clc
%% 读取数据
load spectra_data.mat
%% 随机产生训练集和测试集
% 随机数NIP的行数
temp = randperm(size(NIR,1));
% 训练集――50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集――10个样本,51--60
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);
%% 数据归一化
% 训练样本点输入、输出,测试样本的输入
[p_train, ps_input] = mapminmax(P_train,0,1);
p_test = mapminmax('apply',P_test,ps_input);
[t_train, ps_output] = mapminmax(T_train,0,1);
%% BP神经网络创建、训练及仿真测试
% 一个隐层,9个神经元(超参数,可优化)
net = newff(p_train,t_train,9);
%% 设置训练参数
% 迭代次数,最小误差,学习率
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
net.trainParam.lr = 0.01;
%% 训练网络
net = train(net,p_train,t_train);
%% 仿真测试
t_sim = sim(net,p_test);
%% 数据反归一化
% 用训练样本输入的方式反归一化测试样本输出
T_sim = mapminmax('reverse',t_sim,ps_output);
%% 相对误差error
% 最终结果的相对误差,区别理解网络里的误差能量函数
error = abs(T_sim - T_test)./T_test;
% 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
%结果对比,测试样本的实际值、预测值、误差
result = [T_test' T_sim' error']
%% 绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)
评论0