%清空環境變量
clc
clf
clear

%下載輸入輸出數據
load?swdata?input?output

%根據原始數據繪圖
figure（1）;
plot（inputoutput‘LineWidth‘2）;
title（‘超市上午顧客人數‘‘FontSize‘12）;
xlabel（‘時間/天‘‘FontSize‘12）;
ylabel（‘上午顧客人數/人‘‘FontSize‘12）;
grid?on;

%隨機選擇21組訓練數據和7組預測數據
k=rand（128）;
[mn]=sort（k）;
input_train=input（n（1:21）:）‘;
output_train=output（n（1:21）:）‘;
input_test=input（n（22:28）:）‘;
output_test=output（n（22:28）:）‘;

%訓練數據歸一化
[inputninputps]=mapminmax（input_train）;
[outputnoutputps]=mapminmax（output_train）;

%BP神經網絡構建
net=newff（inputnoutputn6）;

%網絡參數配置（迭代次數，學習率，目標）

net.trainParam.show?=?50;??%顯示訓練迭代過程（NaN表示不顯示，缺省25）
net.trainParam.lr?=?0.01;?????%學習率（缺省0.01）
net.trainParam.epochs?=?10000;?%最大訓練次數
net.trainParam.goal?=?0.00001;???%訓練要求精度

%BP神經網絡訓練
net=train（netinputnoutputn）;

%預測數據歸一化
inputn_test=mapminmax（‘apply‘input_testinputps）;

%BP神經網絡預測輸出
an=sim（netinputn_test）;

%輸出結果反歸一化
BPoutput=mapminmax（‘reverse‘anoutputps）;

%網絡預測結果圖形
figure（2）
plot（BPoutput‘:og‘）
hold?on
plot（output_test‘-*‘）;
legend（‘預測輸出‘‘期望輸出‘）
title（‘BP神經網絡預測輸出‘‘fontsize‘12）
ylabel（‘函數輸出‘‘fontsize‘12）
xlabel（‘樣本‘‘fontsize‘12）

%網絡預測誤差圖形
%?error=abs（BPoutput-output_test）;
%?figure（3）
%?plot（error‘-*‘）
%?title（‘BP網絡預測誤差‘‘fontsize‘12）
%?ylabel（‘誤差‘‘fontsize‘12）
%?xlabel（‘樣本‘‘fontsize‘12）

figure（4）
plot（abs（（output_test-BPoutput）./output_test）‘-*‘）;
title（‘神經網絡預測誤差百分比‘）

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????1647??2014-05-24?09:25??matlab文件\sw.m
?????文件?????????476??2014-05-23?23:28??matlab文件\swdata.mat
?????文件????????1647??2014-05-24?03:38??matlab文件\ws.m
?????文件?????????477??2014-05-24?02:49??matlab文件\wsdata.mat
?????文件????????1647??2014-05-25?11:20??matlab文件\xw.m
?????文件?????????476??2014-05-24?02:39??matlab文件\xwdata.mat
?????目錄???????????0??2014-05-24?10:07??matlab文件\