clc
clear

All_error=[];%所有誤差存儲

%---------------------------------------------------
%原始數據
%---------------------------------------------------
year=1986:2000;%數據是從1986到2000年的

p=[493?372?445;372?445?176;445?176?235;176?235?378;235?378?429;...
????378?429?561;429?561?651;561?651?467;651?467?527;467?527?668;...
????527?668?841;?668?841?526;841?526?480;526?480?567;480?567?685]‘;%輸入數據，共15組，每組3個輸入
t=[176?235?378?429?561?651?467?527?668?841?526?480?567?685?507];%輸出數據，共15組，每組1個輸出

%---------------------------------------------------
%數據歸一化處理
%mapminmax函數默認將數據歸一化到[-11]，調用形式如下
%[yps]?=%mapminmax（xyminymax）
%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[-11]
%y歸一化后的樣本數據
%ps處理設置，ps主要在結果反歸一化中需要調用，或者使用同樣的settings歸一化另外一組數據
%---------------------------------------------------
[normInputps]?=?mapminmax（p）;
[normTargetts]?=?mapminmax（t）;

%---------------------------------------------------
%數據亂序，及分類處理
%將輸入的15組數據的20%，即3組，用來作為測試數據；
%?樣本的20%，即3組，用來作為變化數據；
%另外9組用來正常輸入，用來訓練；
%dividevec（）用來重新隨機抽取上述三種分類的數據，原來的順序被打亂
%函數調用的語法
%[trainVvalVtestV]?=?dividevec（ptvalPercenttestPercent）
%輸入p為輸入數據，t為輸出數據
%valPercent為訓練用的變化數據在總輸入中的百分比
%testPercent為訓練用的測試數據在總輸入中的百分比
%輸出trainVvalVtestV分別為按亂序及相應百分比，抽取得到的數據
%另外，打亂后的數據，p和t都是對應的，請放心使用
%---------------------------------------------------
testPercent?=?0.20;??%?Adjust?as?desired
validatePercent?=?0.20;??%?Adust?as?desired
[trainSamplesvalidateSamplestestSamples]?=?dividevec（normInputnormTargetvalidatePercenttestPercent）;

for?j=1:20
%---------------------------------------------------
%?設置網絡參數
%---------------------------------------------------???
NodeNum1?=?20;?%?隱層第一層節點數
NodeNum2=40;???%?隱層第二層節點數
TypeNum?=?1;???%?輸出維數

TF1?=?‘tansig‘;TF2?=?‘tansig‘;?TF3?=?‘tansig‘;%各層傳輸函數，TF3為輸出層傳輸函數
%如果訓練結果不理想，可以嘗試更改傳輸函數，以下這些是各類傳輸函數
%TF1?=?‘tansig‘;TF2?=?‘logsig‘;
%TF1?=?‘logsig‘;TF2?=?‘purelin‘;
%TF1?=?‘tansig‘;TF2?=?‘tansig‘;
%TF1?=?‘logsig‘;TF2?=?‘logsig‘;
%TF1?=?‘purelin‘;TF2?=?‘purelin‘;


net=newff（normInputnormTarget[NodeNum1NodeNum2TypeNum]{TF1?TF2?TF3}‘traingdx‘）;%網絡創建


%---------------------------------------------------
%?設置訓練參數
%---------------------------------------------------???
net.trainParam.epochs=10000;%訓練次數設置
net.trainParam.goal=1e-6;%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
%---------------------------------------------------
%?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‘;?%?Scaled?Conjug

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????6394??2010-09-30?10:27??BP_TrafficFlow\BP_TrafficFlow.m

?????目錄??????????0??2018-01-17?19:38??BP_TrafficFlow

-----------?---------??----------?-----??----

?????????????????6394????????????????????2