問題描述：兩個(gè)excel表格
已知：第一個(gè)表格，每一行21個(gè)數(shù)值，前20個(gè)參數(shù)決定最后一個(gè)數(shù)值。一共1975行數(shù)據(jù)。
預(yù)測(cè)：第二個(gè)表格，每一行20參數(shù)，50行，預(yù)測(cè)每一行的20個(gè)參數(shù)對(duì)應(yīng)的輸出值。
第一個(gè)表格的部分?jǐn)?shù)據(jù)：

1.用excel數(shù)據(jù)訓(xùn)練模型并保存

%% 清空環(huán)境變量 clc clear tic %% 訓(xùn)練數(shù)據(jù)預(yù)測(cè)數(shù)據(jù)提取及歸一化 %導(dǎo)入輸入輸出數(shù)據(jù)，數(shù)據(jù)和m文件在一個(gè)文件夾中。 data=xlsread('工作簿123.xlsx', 'Sheet1', 'A2:U1975');%找出訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)，1700條訓(xùn)練數(shù)據(jù)，275條測(cè)試數(shù)據(jù)。 input_train=data(1:1700,1:20)'; output_train=data(1:1700,21)'; input_test=data(1701:end,1:20)'; output_test=data(1701:end,21)';%選連樣本輸入輸出數(shù)據(jù)歸一化[inputn,inputps]=mapminmax(input_train) [outputn,outputps]=mapminmax(output_train); %% BP網(wǎng)絡(luò)訓(xùn)練 % %初始化網(wǎng)絡(luò)結(jié)構(gòu) net=newff(inputn,outputn,8);%隱含層節(jié)點(diǎn)數(shù)量經(jīng)驗(yàn)公式p=sqrt(m+n)+a ，故分別取2~13進(jìn)行試驗(yàn)net.trainParam.epochs=100 % 對(duì)整個(gè)訓(xùn)練組訓(xùn)練100次 net.trainParam.lr=0.001;% 設(shè)置學(xué)習(xí)率 net.trainParam.goal=0.0001; %網(wǎng)絡(luò)輸出和目標(biāo)值的差的平方再求平均值%網(wǎng)絡(luò)訓(xùn)練 net=train(net,inputn,outputn);%% BP網(wǎng)絡(luò)預(yù)測(cè) %預(yù)測(cè)數(shù)據(jù)歸一化 inputn_test=mapminmax('apply',input_test,inputps);%網(wǎng)絡(luò)預(yù)測(cè)輸出 an=sim(net,inputn_test);%將輸出的結(jié)果 BPoutput=mapminmax('reverse',an,outputps);%% 結(jié)果分析figure (1) plot(BPoutput,'bo') hold on plot(output_test,'gp'); legend('預(yù)測(cè)輸出','期望輸出') title('BP網(wǎng)絡(luò)預(yù)測(cè)輸出','fontsize',11) ylabel('函數(shù)輸出','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[1:1:11]) zoom on; grid on %預(yù)測(cè)誤差 error=BPoutput-output_test;figure (2) x = 1:1:275; plot(x,error,'-o') title('BP網(wǎng)絡(luò)預(yù)測(cè)誤差','fontsize',11) ylabel('誤差','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[1:1:275]) axis([1,300,-5,10]) str1=num2str(error',2); text(x,error,str1) grid onfigure (3) plot((output_test-BPoutput)./BPoutput,'r'); set(gca,'yticklabel',{'0','5%','10%','15%','20%','25%','30%','35%','40%','45%','50%'}); title('神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比') ylabel('百分比','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[0:1:6]) grid onerror=sum(abs(error))/275 w1 = net.iw{1,1};%輸入層到中間層的權(quán)值 w2 = net.lw{2,1}; b1 = net.b{1};%中間各層神經(jīng)元閾值 b2 = net.b{2};toc

運(yùn)行save net 將保存模型

2.調(diào)用模型，進(jìn)行對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)

%% 清空環(huán)境變量 clc clear tic load('D:\net1.mat'); data=xlsread('第五個(gè)參數(shù)5.xlsx', 'Sheet1', 'A2:ABA51'); input_test=data(1:50,1:729)'; % inputn_test=mapminmax('apply',input_test,inputps); inputn_test=mapminmax(input_test,inputps); an=sim(net,inputn_test); BPoutput=mapminmax('reverse',an,outputps)

總結(jié)

以上是生活随笔為你收集整理的BP神经网络做数据预测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。