%---------------------------------------------%
%					??????%
%??????????工作室提供代做matlab仿真	??????%
%					??????%
%??詳情請訪問：http://cn.mikecrm.com/DeOOXFc??%
%					??????%
%---------------------------------------------%

clc
clear
%---------------------------------------
%一、對原始輸入數據進行歸一化
%先從excel文檔中導入數據到矩陣P，共7種氣體成分，40組數據
p=xlsread（‘originaldata.xlsx‘‘B2:H41‘）;
t=xlsread（‘originaldata.xlsx‘‘B41:H41‘）;?%輸出數據，沒弄明白是什么！！！！

%歸一化數據映射到[01]之間直接用mapminmax函數更簡單
%?for?i=1:40
%???P（i:）=0.1+0.8*（Orig（i:）-min（Orig（i:）））/（max（Orig（i:））-min（Orig（i:）））;
%?end
[normInputps]?=?mapminmax（p?0.10.9）;
[normTargetts]?=?mapminmax（t?0.10.9）;
%ps處理設置，ps主要在結果反歸一化中需要調用

%----------------------------------------
%二、打亂數據順序，及分類處理（抽取訓練數據、變量數據、測試數據）
%將輸入的40組數據的20%共8組作為測試數據；
%將數據的20%即8組作為變化數據；
%剩下24組作為正常訓練數據；
testPercent?=?0.20;??%?測試數據所占百分比
validatePercent?=?0.20;??%?變量數據所占百分比
[trainSamplesvalidateSamplestestSamples]?=?dividevec（normInputnormTargetvalidatePercenttestPercent）;

%-----------------------------------------
%三、設置網絡參數，設置三層BP網絡結構（7個輸入，7個輸出，隱層單元個數先設置成12個）
%使用newff（）函數建立BP網絡
net=newff（minmax（normInput）[127]{‘tansig‘‘logsig‘}‘traingdx‘）;%創建三層BP網絡

%-----------------------------------------
%四、設置訓練參數??
net.trainParam.epochs=10000;%設置訓練次數
net.trainParam.goal=1e-6;%設置訓練目標
net.trainParam.lr=0.01;%設置學習率

%------------------------------------------
%?指定訓練函數
net.trainfcn=‘traingdm‘;
[nettr]?=?train（nettrainSamples.PtrainSamples.T[][]validateSamplestestSamples）;

%------------------------------------------
%五、訓練完成，調用sim（）函數進行仿真
[normTrainOutputPfAfEtrainPerf]?=?sim（nettrainSamples.P[][]trainSamples.T）;%正常輸入的9組p數據，BP得到的結果t
[normValidateOutputPfAfEvalidatePerf]?=?sim（netvalidateSamples.P[][]validateSamples.T）;%用作變量3的數據p，BP得到的結果t
[normTestOutputPfAfEtestPerf]?=?sim（nettestSamples.P[][]testSamples.T）;%用作測試的3組數據p，BP得到的結果t

%-------------------------------------------
%?六、仿真后結果數據反歸一化，如果需要預測，只需將預測的數據P填入
%?將獲得預測結果t
trainOutput?=?mapminmax（‘reverse‘normTrainOutputts）;%正常輸入的9組p數據，BP得到的歸一化后的結果t
trainInsect?=?mapminmax（‘reverse‘trainSamples.Tts）;%正常輸入的9組數據t
validateOutput?=?mapminmax（‘reverse‘normValidateOutputts）;%用作變量3的數據p，BP得到的歸一化的結果t
validateInsect?=?mapminmax（‘reverse‘validateSamples.Tts）;%用作變量3的數據t
testOutput?=?mapminmax（‘reverse‘normTestOutputts）;%用作變量3組數據p，BP得到的歸一化的結果t
testInsect?=?mapminmax（‘reverse‘testSamples.Tts）;%用作變量3組數據t

%-------------------------------------------
%?數據分析和繪圖
%---------------------------------------------------??
figure
plot（1:32[trainOutput?validateOutput]‘b-‘1:32[trainInsect?validateInsect]‘g--‘33:40testOutput‘m*‘33:40testInsect‘ro‘）;
title（‘o為真實值，*為預測值‘）
xlabel（‘年份‘）;
ylabel（‘交通量（輛次/晝夜）‘）;

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-08-12?15:47??BP神經網絡，用于分類和預測。也即模式識別和曲線擬合，是用matlab編寫實現\
?????文件????????3251??2019-08-12?15:50??BP神經網絡，用于分類和預測。也即模式識別和曲線擬合，是用matlab編寫實現\BPyuce.m