BP神经网络预测实例

%%清空环境变量clcclear%%训练数据预测数据data=importdata('test.txt');%从1到768间随机排序k=rand(1,768);[m,n]=sort(k);%输入输出数据input=data(:,1:8);output=data(:,9);%随机提取500个样本为训练样本，268个样本为预测样本input_train=input(n(1:500),:)';output_train=output(n(1:500),:)';input_test=input(n(501:768),:)';output_test=output(n(501:768),:)';%输入数据归一化[inputn,inputps]=mapminmax(input_train);%%BP网络训练%%初始化网络结构net=newff(inputn,output_train,10);net.trainParam.epochs=1000;net.trainParam.lr=0.1;net.trainParam.goal=0.0000004;%%网络训练net=train(net,inputn,output_train);%%BP网络预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%网络预测输出BPoutput=sim(net,inputn_test);%%结果分析%根据网络输出找出数据属于哪类BPoutput(find(BPoutput0.5))=0;BPoutput(find(BPoutput=0.5))=1;%%结果分析%画出预测种类和实际种类的分类图figure(1)plot(BPoutput,'og')holdonplot(output_test,'r*');legend('预测类别','输出类别')title('BP网络预测分类与实际类别比对','fontsize',12)ylabel('类别标签','fontsize',12)xlabel('样本数目','fontsize',12)ylim([-0.51.5])%预测正确率rightnumber=0;fori=1:size(output_test,2)ifBPoutput(i)==output_test(i)rightnumber=rightnumber+1;endendrightratio=rightnumber/size(output_test,2)*100;sprintf('测试准确率=%0.2f',rightratio)