%% BP神经网络回归预测
%% 1.初始化
clear
close all
clc
format bank %2位小数，format short精确4位，format long精确15位
%% 2.读取数据
data=xlsread('数据.xlsx'); % xlsread函数报错时，可用Load函数替代
% 设置神经网络的输入和输出
input=data(:,1:end-1); %第1列至倒数第2列为输入
output=data(:,end); %最后1列为输出
N=length(output); %计算样本数量
%% 3.设置训练集和测试集
%（1）随机选取测试样本
k=rand(1,N);
[m,n]=sort(k);
testNum=50; %设定测试集样本数量 ！仅需修改这里
trainNum=N-testNum; %设定训练集样本数量
input_train = input(n(1:trainNum),:)'; % 训练集输入
output_train =output(n(1:trainNum))'; % 训练集输出
input_test =input(n(trainNum+1:trainNum+testNum),:)'; % 测试集输入
output_test =output(n(trainNum+1:trainNum+testNum))'; % 测试集输出
%（2）从数据后面选取测试样本
%testNum=50; %设定测试集样本数量
%trainNum=N-testNum; %设定训练集样本数量
%input_train = input(1:trainNum,:)'; % 训练集输入
%output_train =output(1:trainNum)'; % 训练集输出
%input_test =input(trainNum+1:trainNum+testNum,:)'; % 测试集输入
%output_test =output(trainNum+1:trainNum+testNum)'; % 测试集输出
%% 4.数据归一化
[inputn,inputps]=mapminmax(input_train,0,1); % 训练集输入归一化到[0,1]之间
[outputn,outputps]=mapminmax(output_train); % 训练集输出归一化到默认区间[-1, 1]
inputn_test=mapminmax('apply',input_test,inputps); % 测试集输入采用和训练集输入相同的归一化方式
%% 5.求解最佳隐含层
inputnum=size(input,2); %size用来求取矩阵的行数和列数，1代表行数，2代表列数
outputnum=size(output,2);
disp(['输入层节点数：',num2str(inputnum),', 输出层节点数：',num2str(outputnum)])
disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])
disp(' ')
disp('最佳隐含层节点的确定...')
%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数
MSE=1e+5; %误差初始化
transform_func={'tansig','purelin'}; %激活函数采用tan-sigmoid和purelin
train_func='trainlm'; %训练算法
for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10
net=newff(inputn,outputn,hiddennum,transform_func,train_func); %构建BP网络
% 设置网络参数
net.trainParam.epochs=1000; % 设置训练次数
net.trainParam.lr=0.01; % 设置学习速率
net.trainParam.goal=0.000001; % 设置训练目标最小误差
% 进行网络训练
net=train(net,inputn,outputn);
an0=sim(net,inputn); %仿真结果
mse0=mse(outputn,an0); %仿真的均方误差
disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])
%不断更新最佳隐含层节点
if mse0<MSE
MSE=mse0;
hiddennum_best=hiddennum;
end
end
disp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])
%% 6.构建最佳隐含层的BP神经网络
net=newff(inputn,outputn,hiddennum_best,transform_func,train_func);
% 网络参数
net.trainParam.epochs=1000; % 训练次数
net.trainParam.lr=0.01; % 学习速率
net.trainParam.goal=0.000001; % 训练目标最小误差
%% 7.网络训练
net=train(net,inputn,outputn); % train函数用于训练神经网络，调用蓝色仿真界面
%% 8.网络测试
an=sim(net,inputn_test); % 训练完成的模型进行仿真测试
test_simu=mapminmax('reverse',an,outputps); % 测试结果反归一化
error=test_simu-output_test; % 测试值和真实值的误差
% 权值阈值
W1 = net.iw{1, 1}; %输入层到中间层的权值
B1 = net.b{1}; %中间各层神经元阈值
W2 = net.lw{2,1}; %中间层到输出层的权值
B2 = net.b{2}; %输出层各神经元阈值
%% 9.结果输出
% BP预测值和实际值的对比图
figure
plot(output_test,'bo-','linewidth',1.5)
hold on
plot(test_simu,'rs-','linewidth',1.5)
legend('实际值','预测值')
xlabel('测试样本'),ylabel('指标值')
title('BP预测值和实际值的对比')
set(gca,'fontsize',12)
% BP测试集的预测误差图
figure
plot(error,'bo-','linewidth',1.5)
xlabel('测试样本'),ylabel('预测误差')
title('BP神经网络测试集的预测误差')
set(gca,'fontsize',12)
figure;
plotregression(output_test,test_simu,['BP回归图']);
figure;
ploterrhist(test_simu-output_test,['BP误差直方图']);
%计算各项误差参数
[~,len]=size(output_test); % len获取测试样本个数，数值等于testNum，用于求各指标平均值
SSE1=sum(error.^2); % 误差平方和
MAE1=sum(abs(error))/len; % 平均绝对误差
MSE1=error*error'/len; % 均方误差
RMSE1=MSE1^(1/2); % 均方根误差
MAPE1=mean(abs(error./output_test)); % 平均百分比误差
r=corrcoef(output_test,test_simu); % corrcoef计算相关系数矩阵，包括自相关和互相关系数
R1=r(1,2);
% 显示各指标结果
disp(' ')
disp('各项误差指标结果：')
disp(['误差平方和SSE：',num2str(SSE1)])
disp(['平均绝对误差MAE：',num2str(MAE1)])
disp(['均方误差MSE：',num2str(MSE1)])
disp(['均方根误差RMSE：',num2str(RMSE1)])
disp(['平均百分比误差MAPE：',num2str(MAPE1*100),'%'])
disp(['预测准确率为：',num2str(100-MAPE1*100),'%'])
disp(['相关系数R： ',num2str(R1)])
% 工作区中
% output_test代表测试集
% test_simu代表BP预测值
% error代表误差
