如何利用matlab做BP神經網絡分析（包括利用matlab神經網絡工具箱）

轉載：https://blog.csdn.net/xgxyxs/article/details/53265318
最近一段時間在研究如何利用預測其銷量個數，在網上搜索了一下，發現了很多模型來預測，比如利用回歸模型、時間序列模型，GM（1,1）模型，可是自己在結合實際的工作內容，發現這幾種模型預測的精度不是很高，于是再在網上進行搜索，發現神經網絡模型可以來預測，并且有很多是結合時間序列或者SVM（支持向量機）等組合模型來進行預測，本文結合實際數據，選取了常用的BP神經網絡算法，其算法原理，因網上一大堆，所以在此不必一一展示，并參考了bp神經網絡進行交通預測的Matlab源代碼這篇博文，運用matlab 2016a,給出了下面的代碼，并最終進行了預測

clc

clear all

close all

%bp 神經網絡的預測代碼

%載入輸出和輸入數據

load C:\Users\amzon\Desktop\p.txt;

load C:\Users\amzon\Desktop\t.txt;

%保存數據到matlab的工作路徑里面

save p.mat;

save t.mat;%注意t必須為行向量

%賦值給輸出p和輸入t

p=p;

t=t;

%數據的歸一化處理，利用mapminmax函數，使數值歸一化到[-1.1]之間

%該函數使用方法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需歸化的數據輸入，

%ymin，ymax為需歸化到的范圍，不填默認為歸化到[-1,1]

%返回歸化后的值y，以及參數ps，ps在結果反歸一化中，需要調用

[p1,ps]=mapminmax(p);

[t1,ts]=mapminmax(t);

%確定訓練數據，測試數據,一般是隨機的從樣本中選取70%的數據作為訓練數據

%15%的數據作為測試數據，一般是使用函數dividerand，其一般的使用方法如下：

%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)

[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);

[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);

%建立反向傳播算法的BP神經網絡，使用newff函數，其一般的使用方法如下

%net = newff(minmax(p),[隱層的神經元的個數，輸出層的神經元的個數],{隱層神經元的傳輸函數，輸出層的傳輸函數｝,'反向傳播的訓練函數'),其中p為輸入數據，t為輸出數據

%tf為神經網絡的傳輸函數，默認為'tansig'函數為隱層的傳輸函數，

%purelin函數為輸出層的傳輸函數

%一般在這里還有其他的傳輸的函數一般的如下，如果預測出來的效果不是很好，可以調節

%TF1 = 'tansig';TF2 = 'logsig';

%TF1 = 'logsig';TF2 = 'purelin';

%TF1 = 'logsig';TF2 = 'logsig';

%TF1 = 'purelin';TF2 = 'purelin';

TF1='tansig';TF2='purelin';

net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%網絡創建

%網絡參數的設置

net.trainParam.epochs=10000;%訓練次數設置

net.trainParam.goal=1e-7;%訓練目標設置

net.trainParam.lr=0.01;%學習率設置,應設置為較少值，太大雖然會在開始加快收斂速度，但臨近最佳點時，會產生動蕩，而致使無法收斂

net.trainParam.mc=0.9;%動量因子的設置，默認為0.9

net.trainParam.show=25;%顯示的間隔次數

% 指定訓練參數

% net.trainFcn = 'traingd'; % 梯度下降算法

% net.trainFcn = 'traingdm'; % 動量梯度下降算法

% net.trainFcn = 'traingda'; % 變學習率梯度下降算法

% net.trainFcn = 'traingdx'; % 變學習率動量梯度下降算法

% (大型網絡的首選算法)

% net.trainFcn = 'trainrp'; % RPROP(彈性BP)算法,內存需求最小

% 共軛梯度算法

% net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法

% net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,內存需求比Fletcher-Reeves修正算法略大

% net.trainFcn = 'traincgb'; % Powell-Beal復位算法,內存需求比Polak-Ribiere修正算法略大

% (大型網絡的首選算法)

%net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,內存需求與Fletcher-Reeves修正算法相同,計算量比上面三種算法都小很多

% net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,計算量和內存需求均比共軛梯度算法大,但收斂比較快

% net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,計算量和內存需求均比BFGS算法小,比共軛梯度算法略大

% (中型網絡的首選算法)

%net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,內存需求最大,收斂速度最快

% net.trainFcn = 'trainbr'; % 貝葉斯正則化算法

% 有代表性的五種算法為:'traingdx','trainrp','trainscg','trainoss', 'trainlm'

%在這里一般是選取'trainlm'函數來訓練，其算對對應的是Levenberg-Marquardt算法

net.trainFcn='trainlm';

[net,tr]=train(net,trainsample.p,trainsample.t);

%計算仿真，其一般用sim函數

[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%訓練的數據，根據BP得到的結果

[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%驗證的數據，經BP得到的結果

[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%測試數據，經BP得到的結果

%將所得的結果進行反歸一化，得到其擬合的數據

trainoutput=mapminmax('reverse',normtrainoutput,ts);

validateoutput=mapminmax('reverse',normvalidateoutput,ts);

testoutput=mapminmax('reverse',normtestoutput,ts);

%正常輸入的數據的反歸一化的處理，得到其正式值

trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的驗證數據

validatevalue=mapminmax('reverse',valsample.t,ts);%正常的驗證的數據

testvalue=mapminmax('reverse',testsample.t,ts);%正常的測試數據

%做預測，輸入要預測的數據pnew

pnew=[313,256,239]';

pnewn=mapminmax(pnew);

anewn=sim(net,pnewn);

anew=mapminmax('reverse',anewn,ts);

%絕對誤差的計算

errors=trainvalue-trainoutput;

%plotregression擬合圖

figure,plotregression(trainvalue,trainoutput)

%誤差圖

figure,plot(1:length(errors),errors,'-b')

title('誤差變化圖')

%誤差值的正態性的檢驗

figure,hist(errors);%頻數直方圖

figure,normplot(errors);%Q-Q圖

[muhat,sigmahat,muci,sigmaci]=normfit(errors);%參數估計 均值,方差,均值的0.95置信區間,方差的0.95置信區間

[h1,sig,ci]= ttest(errors,muhat);%假設檢驗

figure, ploterrcorr(errors);%繪制誤差的自相關圖

figure, parcorr(errors);%繪制偏相關圖

運行之后的，結果如下：

BP神經網絡的結果分析圖

訓練數據的梯度和均方誤差之間的關系圖

驗證數據的梯度與學習次數

殘差的正態的檢驗圖（Q-Q圖）

?

?

在網上，發現可以通過神經網絡工具箱這個GUI界面來創建神經網絡,其一般的操作步驟如下：

1：在輸入命令里面輸入nntool命令，或者在應用程序這個選項下找到Netrual Net Fitting 這個應用程序，點擊打開，就能看見如下界面

?

?

?

2：輸入數據和輸出數據的導入（在本文中選取了matlab自帶的案例數據）

3：隨機選擇三種類型的數據所占的樣本量的比例，一般選取默認即可

4：隱層神經元的確定
?????????????????????????????????????????????????????????????????????????????


5：訓練算法的選取，一般是選擇默認即可，選擇完成后點擊<train>按鈕即可運行程序




6：根據得到的結果，一般是MSE的值越小，R值越接近1，其訓練的效果比較，并第二張圖給出了神經網絡的各參數的設置以及其最終的結果，其擬合圖R越接近1，模型擬合的更好








最終的結果圖

7：如果所得到的模型不能滿足你的需求，則需重復上述的步驟直至能夠得到你想要的精確度

8：將最終的得到的各種數據以及其擬合值進行保存，然后查看，就可以得到所要的擬合值

MATLAB 與神經網絡相關的函數總結如下：

圖形用戶界面功能

nnstart - 神經網絡啟動GUI?

nctool - 神經網絡分類工具?

nftool - 神經網絡的擬合工具?

nntraintool - 神經網絡的訓練工具?

nprtool - 神經網絡模式識別工具?

ntstool - NFTool神經網絡時間序列的工具?

nntool - 神經網絡工具箱的圖形用戶界面。?

查看 - 查看一個神經網絡。?

網絡的建立功能

cascadeforwardnet - 串級，前饋神經網絡。?

competlayer - 競爭神經層。?

distdelaynet - 分布時滯的神經網絡。?

elmannet - Elman神經網絡。?

feedforwardnet - 前饋神經網絡。?

fitnet - 函數擬合神經網絡。?

layrecnet - 分層遞歸神經網絡。?

linearlayer - 線性神經層。?

lvqnet - 學習矢量量化（LVQ）神經網絡。?

narnet - 非線性自結合的時間序列網絡。?

narxnet - 非線性自結合的時間序列與外部輸入網絡。?

newgrnn - 設計一個廣義回歸神經網絡。?

newhop - 建立經常性的Hopfield網絡。?

newlind - 設計一個線性層。?

newpnn - 設計概率神經網絡。?

newrb - 徑向基網絡設計。?

newrbe - 設計一個確切的徑向基網絡。?

patternnet - 神經網絡模式識別。?

感知 - 感知。?

selforgmap - 自組織特征映射。?

timedelaynet - 時滯神經網絡。?

利用網絡

網絡 - 創建一個自定義神經網絡。?

SIM卡 - 模擬一個神經網絡。?

初始化 - 初始化一個神經網絡。?

適應 - 允許一個神經網絡來適應。?

火車 - 火車的神經網絡。?

DISP鍵 - 顯示一個神經網絡的屬性。?

顯示 - 顯示的名稱和神經網絡屬性?

adddelay - 添加延遲神經網絡的反應。?

closeloop - 神經網絡的開放反饋轉換到關閉反饋回路。?

formwb - 表格偏見和成單個向量的權重。?

getwb - 將它作為一個單一向量中的所有網絡權值和偏差。?

noloop - 刪除神經網絡的開放和關閉反饋回路。?

開環 - 轉換神經網絡反饋，打開封閉的反饋循環。?

removedelay - 刪除延遲神經網絡的反應。?

separatewb - 獨立的偏見和重量/偏置向量的權重。?

setwb - 將所有與單個矢量網絡權值和偏差。?

Simulink的支持

gensim - 生成Simulink模塊來模擬神經網絡。?

setsiminit - 集神經網絡的Simulink模塊的初始條件?

getsiminit - 獲取神經網絡Simulink模塊的初始條件?

神經元 - 神經網絡Simulink的模塊庫。?

trainb - 批具有重量與偏見學習規則的培訓。?

trainbfg - 的BFGS擬牛頓倒傳遞。?

trainbr - 貝葉斯規則的BP算法。?

trainbu - 與重量與偏見一批無監督學習規則的培訓。?

trainbuwb - 與體重無監督學習規則與偏見一批培訓。?

trainc - 循環順序重量/偏見的培訓。?

traincgb - 共軛鮑威爾比爾重新啟動梯度反向傳播。?

traincgf - 共軛弗萊徹-里夫斯更新梯度反向傳播。?

traincgp - 共軛波拉克- Ribiere更新梯度反向傳播。?

traingd - 梯度下降反向傳播。?

traingda - 具有自適應LR的反向傳播梯度下降。?

traingdm - 與動量梯度下降。?

traingdx - 梯度下降瓦特/慣性與自適應LR的反向傳播。?

trainlm - 采用Levenberg -馬奎德倒傳遞。?

trainoss - 一步割線倒傳遞。?

trainr - 隨機重量/偏見的培訓。?

trainrp - RPROP反向傳播。?

trainru - 無監督隨機重量/偏見的培訓。?

火車 - 順序重量/偏見的培訓。?

trainscg - 規模化共軛梯度BP算法。?

繪圖功能

plotconfusion - 圖分類混淆矩陣。?

ploterrcorr - 誤差自相關時間序列圖。?

ploterrhist - 繪制誤差直方圖。?

plotfit - 繪圖功能適合。?

plotinerrcorr - 圖輸入錯誤的時間序列的互相關。?

plotperform - 小區網絡性能。?

plotregression - 線性回歸情節。?

plotresponse - 動態網絡圖的時間序列響應。?

plotroc - 繪制受試者工作特征。?

plotsomhits - 小區自組織圖來樣打。?

plotsomnc - 小區自組織映射鄰居的連接。?

plotsomnd - 小區自組織映射鄰居的距離。?

plotsomplanes - 小區自組織映射重量的飛機。?

plotsompos - 小區自組織映射重量立場。?

plotsomtop - 小區自組織映射的拓撲結構。?

plottrainstate - 情節訓練狀態值。?

plotwb - 圖寒春重量和偏差值圖。?

列出其他神經網絡實現的功能

nnadapt - 適應職能。?

nnderivati??ve - 衍生功能。?

nndistance - 距離函數。?

nndivision - 除功能。?

nninitlayer - 初始化層功能。?

nninitnetwork - 初始化網絡功能。?

nninitweight - 初始化權函數。?

nnlearn - 學習功能。?

nnnetinput - 凈輸入功能。?

nnperformance - 性能的功能。?

nnprocess - 處理功能。?

nnsearch - 線搜索功能。?

nntopology - 拓撲結構的功能。?

nntransfer - 傳遞函數。?

nnweight - 重量的功能。?

nndemos - 神經網絡工具箱的示威。?

nndatasets - 神經網絡工具箱的數據集。?

nntextdemos - 神經網絡設計教科書的示威。?

nntextbook - 神經網絡設計教科書的資訊。?

?

?

Save

?

總結

以上是生活随笔為你收集整理的如何利用matlab做BP神经网络分析（包括利用matlab神经网络工具箱）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。