BP神經網絡由輸入層、隱含層和輸出層組成,隱含層根據層數又可以分為單隱含層和多隱含層。多隱含層由多個單隱含層組成,同單隱含層相比,多隱含層泛化能力強,預測精度高,但是訓練時間較長。隱含層層數的選擇要從網絡精度和訓練時間上綜合考慮,對于較簡單的映射關系,在網絡精度達到要求的情況下,可以選擇單隱含層,以求加快速度;對于復雜的映射關系,則可以選擇多隱含層,以期提高網絡的預測精度。

%% 雙隱含層BP神經網絡

%% 清空環境變量

clc

clear

%% 訓練數據預測數據提取及歸一化

%下載輸入輸出數據

load data input output

%從1到2000間隨機排序

k=rand(1,2000);

[m,n]=sort(k);

%找出訓練數據和預測數據

input_train=input(n(1:1900),:)';

output_train=output(n(1:1900));

input_test=input(n(1901:2000),:)';

output_test=output(n(1901:2000));

%選連樣本輸入輸出數據歸一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%% BP網絡訓練

% %初始化網絡結構

net=newff(inputn,outputn,[5 5]);

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

net.trainParam.goal=0.00004;

%網絡訓練

net=train(net,inputn,outputn);

%% BP網絡預測

%預測數據歸一化

inputn_test=mapminmax('apply',input_test,inputps);

%網絡預測輸出

an=sim(net,inputn_test);

%網絡輸出反歸一化

BPoutput=mapminmax('reverse',an,outputps);

%% 結果分析

figure(1)

plot(BPoutput,':og')

hold on

plot(output_test,'-*');

legend('預測輸出','期望輸出')

title('BP網絡預測輸出','fontsize',12)

ylabel('函數輸出','fontsize',12)

xlabel('樣本','fontsize',12)

%預測誤差

error=BPoutput-output_test;

figure(2)

plot(error,'-*')

title('BP網絡預測誤差','fontsize',12)

ylabel('誤差','fontsize',12)

xlabel('樣本','fontsize',12)

figure(3)

plot((output_test-BPoutput)./BPoutput,'-*');

title('神經網絡預測誤差百分比')

errorsum=sum(abs(error))