以辛烷值预测为例
清除全部
clc
%% II .生成培训集/测试集
%%
% 1.导入数据
load NIR.mat%指标数据
load octane.mat%的结果数据相当于函数的y
验证load new_x.mat%中的新数据
%%
% 2.随机生成训练集和测试集
时间=rand perm (size (NIR，1 )； 打乱p个样本的排序
%培训集——40个示例
p_train=NIR(temp(1:40 )， ) '；
t_train=octane(temp(1:40 )， )；
%测试集——10个示例
p_test=NIR(temp(41:end )， ) '；
t_test=octane(temp(41:end )， )’；
n=size(p_test，2 )；
%% III .数据规范化
[p_train，PS_input]=mapminmax(p_train，0，1 )；
P_test=mapminmax(apply )、p_test、ps_input )；
[t_train，PS_output]=mapminmax(t_train，0，1 )；
%% IV. BP神经网络创建、培训和模拟测试
%%
% 1.创建网络
net=newff(p_train，t_train，9 )； %9是抑制层神经元的数量(大家改变测试结果后会产生影响)。
%%
% 2.设置培训参数
net.trainParam.epochs=1000； %反复次数
net.trainParam.goal=1e-3； %mse均方根误差小于该值的训练结束
net.trainParam.lr=0.01； %学习率
%%
% 3.培训网络
net=train(net，p_train，t_train )；
%%
% 4.模拟测试
t_sim=sim(net，p_test )； %返回10个样本的预测值
%%
% 5.数据反规范化
t_sim=mapminmax('reverse '，t_sim，ps_output )； %逆正规化结果
%% V .性能评估
%%
% 1.相对误差错误
error=ABS(t_sim-t_test )./T_test；
%%
% 2.决策系数R^2
R2=(n*sum(t_sim.*t_test )-sum ) t_sim (sum ) t_test ) )n*sum ) ) t _ sim ().^2) )
%%
% 3.比较结果
result=[T_test' T_sim' error'] %输出真值、预测值和误差
%% VI .绘图
figure(1)。
plot(1:N，T_test，' b:* '，1:n，T_sim，' r-o ' )
霍尔德on
是打印(error )
legend (“真值”、“预测值”)
xlabel (预测样本) )。
ylabel ()辛烷值) ) ) ) )。
string={ '测试集辛烷值含量预测结果比较'； ['r^2='num2str(R2 ) ]；
是title (字符串)
%% VII .预测新数据
predict _ y=zeros (10，1 )；
for i=1: 10
result1=sim(net，new_x(i ) I， ) '； %调用培训的网络进行预测
result=mapminmax('reverse '，result1，ps_output )； %逆正规化处理
predict_y(I )=result； %获得最终数据预测值
结束
disp ('预测值为) ) )
disp(predict_y )