clc

clear?all

close?all

%bp?神經網絡的預測代碼

%載入輸出和輸入數據

p=[61
61
61
61
61
61
61
61
61
61
61
63
63
63
63
64
64
64
64
64
]‘;
%load?C:\Users\amzon\Desktop\p.txt;

t=[66
66
67
67
67
67
64
64
67
67
67
67
67
67
67
67
67
67
64
64
64
64
64
64
67
67
67
67
67
66
66
66
61
61
61
61
61
61
55
55
61
61
66
66
66
66
66
68
68
68
65
65
65
65
66
66
66
66
66
]‘;
%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：[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]

%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

[p1ps]=mapminmax（p）;

[t1ts]=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：

%[trainIndvalIndtestInd]?=?dividerand（QtrainRatiovalRatiotestRatio）

[trainsample.pvalsample.ptestsample.p]?=dividerand（p0.70.150.15）;

[trainsample.tvalsample.ttestsample.t]?=dividerand（t0.70.150.15）;

%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）[101]{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?=?‘trai