%%?該代碼為基于雙隱含層BP神經(jīng)網(wǎng)絡的預測
%%?清空環(huán)境變量
clc
clear

%%?訓練數(shù)據(jù)預測數(shù)據(jù)提取及歸一化
%裝載輸入輸出數(shù)據(jù)
load?temperature
load?humidity
tday?=?350;???????????%訓練數(shù)據(jù)時間
sday?=?10;???????????%預測數(shù)據(jù)時間
sdata?=?（tday+sday）*24;??????%總的采集數(shù)據(jù)個數(shù)
oddata?=?24;??????%一天采集的數(shù)據(jù)個數(shù)
%在10天的數(shù)據(jù)中將10分鐘的數(shù)據(jù)提取出來，總計2880個
temperature?=?Temp（1:1:sdata:）;
humidity?=?Humidity（1:1:sdata:）;
%?information=[temp?humidity];
%?初始化數(shù)據(jù)
[mn]=size（temperature）;
n?=?8;
%?m?=?（m-sday*oddata/10）-oddata/10-n+1;
m?=?（m-sday*oddata）-oddata-n+1;
input?=?zeros（mn）;
output?=?zeros（m1）;
%找出訓練數(shù)據(jù)和預測數(shù)據(jù)
for?i?=?1:m
%?????input_train（i1:n/2）?=?temperature_10_14（i:i+5:）;
%?????input_train（in/2+1:n）?=?humidity（i:i+5:）;
%?????output_train（i:）?=?temp（i+oddata/10:）;
????input_train（i1:n/2）?=?temperature（i:i+3:）;
????input_train（in/2+1:n）?=?humidity（i:i+3:）;
????output_train（i:）?=?temperature（i+oddata:）;
end
[mn]?=?size（temperature）;
n?=?8;
%?m?=?（m-tday*oddata/10）-oddata/10-n+1;
m?=?（m-tday*oddata）-oddata-n+1;
for?i?=?1:m
%?????input_test（i1:n/2）?=?temp（i+tday*oddata/10:i+5+tday*oddata/10:）;
%?????input_test（in/2+1:n）?=?humidity（i+tday*oddata/10:i+5+tday*oddata/10:）;
%?????output_test（i:）?=?temp（i+oddata/10+tday*oddata/10:）;
????input_test（i1:n/2）?=?temperature（i+tday*oddata:i+3+tday*oddata:）;
????input_test（in/2+1:n）?=?humidity（i+tday*oddata:i+3+tday*oddata:）;
????output_test（i:）?=?temperature（i+oddata+tday*oddata:）;
end
input_train=input_train‘;
output_train=output_train‘;
input_test?=?input_test‘;
output_test=output_test‘;

%選連樣本輸入輸出數(shù)據(jù)歸一化
[inputninputps]=mapminmax（input_train01）;
[outputnoutputps]=mapminmax（output_train01）;

%%?BP網(wǎng)絡訓練
%?%初始化網(wǎng)絡結(jié)構(gòu)
net=newff（inputnoutputn[8?8]）;

net.trainParam.epochs=200;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;

%網(wǎng)絡訓練
[nettr]=train（netinputnoutputn）;

%%?BP網(wǎng)絡預測
%預測數(shù)據(jù)歸一化
inputn_test=mapminmax（‘a(chǎn)pply‘input_testinputps01）;


%網(wǎng)絡預測輸出
an=sim（netinputn_test）;

%網(wǎng)絡輸出反歸一化
BPoutput=mapminmax（‘reverse‘a(chǎn)noutputps）;

%%?結(jié)果分析

figure（1）
subplot（231）
plot（BPoutput‘:og‘）
hold?on
plot（output_test‘-*‘）;
legend（‘預測輸出‘‘期望輸出‘）
title（‘BP網(wǎng)絡預測輸出‘‘fontsize‘12）
ylabel（‘函數(shù)輸出‘‘fontsize‘12）
xlabel（‘樣本‘‘fontsize‘12）

%預測誤差
error=BPoutput-output_test;
subplot（232）
plot（error‘-*‘）
title（‘BP網(wǎng)絡預測誤差‘‘fontsize‘12）
ylabel（‘誤差‘‘fontsize‘12）
xlabel（‘樣本‘‘fontsize‘12）

subplot（233）
plot（（output_test-BPoutput）./BPoutput‘-*‘）;
title（‘神經(jīng)網(wǎng)絡預測誤差百分比‘）
ylabel（‘誤差百分比‘‘fontsize‘12）
xlabel（‘樣本‘‘fontsize‘12）

errorsum=sum（abs（error））;
subplot（234）
plot（errorsum‘-*‘）;
title（‘神經(jīng)網(wǎng)絡預測誤差絕對值‘）
ylabel（‘誤差絕對值‘‘fontsize‘12）
xlabel（‘樣本‘‘fontsize‘12）

%?a?=?tr.num_epochs;
%?MSE?=?mse（error）;
subplot（235）
plot（tr.epochtr.perf‘‘r‘tr.epochtr.vperf‘‘:g‘tr.epochtr.tperf‘‘-.b‘）;
%?legend（[‘終止代數(shù)＝‘?num2str（a）]）
legend（‘訓練‘‘確證‘‘測試‘-1）
title（‘誤差曲線‘）
ylabel（‘MSE誤差平方‘‘fontsize‘12）
xlabel（‘進化代數(shù)‘‘fontsize‘12）

fenmu?=?sum（（output_test-mean（BPoutput））.^2）;
fenzi?=?sum（（output_test-BPoutput）.^2）;
R?=?1-fenzi/fenmu;
subplot（236）
plot（BPoutputoutput_test‘.‘）;
legend（[‘R?=

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

?????文件???????3378??2019-10-14?21:57??BP預測溫度模型_2019.10.14\BP_Hidden.m

?????文件?????134465??2019-10-14?18:21??BP預測溫度模型_2019.10.14\humidity.mat

?????文件????????882??2019-10-14?21:52??BP預測溫度模型_2019.10.14\readme.txt

?????文件????????936??2019-10-14?18:24??BP預測溫度模型_2019.10.14\simpletime.m

?????文件?????303265??2019-10-14?18:21??BP預測溫度模型_2019.10.14\temperature.mat

?????文件?????126722??2019-10-14?21:31??BP預測溫度模型_2019.10.14\temperature_prediction.jpg

?????文件???16197871??2019-02-19?00:58??BP預測溫度模型_2019.10.14\WeatherHistory.csv

?????目錄??????????0??2019-10-14?21:48??BP預測溫度模型_2019.10.14

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

?????????????16767519????????????????????8