如何利用matlab做BP神经网络分析（包括利用matlab神经网络工具箱）

转载：https://blog.csdn.net/xgxyxs/article/details/53265318
最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测


clc
 
clear all
 
close all
 
%bp 神经网络的预测代码
 
%载入输出和输入数据
 
load C:\Users\amzon\Desktop\p.txt;
 
load C:\Users\amzon\Desktop\t.txt;
 
%保存数据到matlab的工作路径里面
 
save p.mat;
 
save t.mat;%注意t必须为行向量
 
%赋值给输出p和输入t
 
p=p;
 
t=t;
 
%数据的归一化处理，利用mapminmax函数，使数值归一化到[-1.1]之间
 
%该函数使用方法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输入，
 
%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]
 
%返回归化后的值y，以及参数ps，ps在结果反归一化中，需要调用
 
[p1,ps]=mapminmax(p);
 
[t1,ts]=mapminmax(t);
 
%确定训练数据，测试数据,一般是随机的从样本中选取70%的数据作为训练数据
 
%15%的数据作为测试数据，一般是使用函数dividerand，其一般的使用方法如下：
 
%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
 
[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);
 
[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);
 
%建立反向传播算法的BP神经网络，使用newff函数，其一般的使用方法如下
 
%net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,'反向传播的训练函数'),其中p为输入数据，t为输出数据
 
%tf为神经网络的传输函数，默认为'tansig'函数为隐层的传输函数，
 
%purelin函数为输出层的传输函数
 
%一般在这里还有其他的传输的函数一般的如下，如果预测出来的效果不是很好，可以调节
 
%TF1 = 'tansig';TF2 = 'logsig';
 
%TF1 = 'logsig';TF2 = 'purelin';
 
%TF1 = 'logsig';TF2 = 'logsig';
 
%TF1 = 'purelin';TF2 = 'purelin';
 
TF1='tansig';TF2='purelin';
 
net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建
 
%网络参数的设置
 
net.trainParam.epochs=10000;%训练次数设置
 
net.trainParam.goal=1e-7;%训练目标设置
 
net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛
 
net.trainParam.mc=0.9;%动量因子的设置，默认为0.9
 
net.trainParam.show=25;%显示的间隔次数
 
% 指定训练参数
 
% net.trainFcn = 'traingd'; % 梯度下降算法
 
% net.trainFcn = 'traingdm'; % 动量梯度下降算法
 
% net.trainFcn = 'traingda'; % 变学习率梯度下降算法
 
% net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法
 
% (大型网络的首选算法)
 
% net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小
 
% 共轭梯度算法
 
% net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法
 
% net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
 
% net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
 
% (大型网络的首选算法)
 
%net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
 
% net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
 
% net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
 
% (中型网络的首选算法)
 
%net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快
 
% net.trainFcn = 'trainbr'; % 贝叶斯正则化算法
 
% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
 
%在这里一般是选取'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法
 
net.trainFcn='trainlm';
 
[net,tr]=train(net,trainsample.p,trainsample.t);
 
%计算仿真，其一般用sim函数
 
[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果
 
[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果
 
[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果
 
%将所得的结果进行反归一化，得到其拟合的数据
 
trainoutput=mapminmax('reverse',normtrainoutput,ts);
 
validateoutput=mapminmax('reverse',normvalidateoutput,ts);
 
testoutput=mapminmax('reverse',normtestoutput,ts);
 
%正常输入的数据的反归一化的处理，得到其正式值
 
trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据
 
validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据
 
testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据
 
%做预测，输入要预测的数据pnew
 
pnew=[313,256,239]';
pnewn=mapminmax(pnew);
anewn=sim(net,pnewn);
anew=mapminmax('reverse',anewn,ts);
%绝对误差的计算
errors=trainvalue-trainoutput;
%plotregression拟合图
figure,plotregression(trainvalue,trainoutput)
%误差图
figure,plot(1:length(errors),errors,'-b')
title('误差变化图')
%误差值的正态性的检验
figure,hist(errors);%频数直方图
figure,normplot(errors);%Q-Q图
[muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间
[h1,sig,ci]= ttest(errors,muhat);%假设检验
figure, ploterrcorr(errors);%绘制误差的自相关图
figure, parcorr(errors);%绘制偏相关图

运行之后的，结果如下：

BP神经网络的结果分析图

训练数据的梯度和均方误差之间的关系图

验证数据的梯度与学习次数

残差的正态的检验图（Q-Q图）

在网上，发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下：

1：在输入命令里面输入nntool命令，或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序，点击打开，就能看见如下界面

2：输入数据和输出数据的导入（在本文中选取了matlab自带的案例数据）

3：随机选择三种类型的数据所占的样本量的比例，一般选取默认即可

4：隐层神经元的确定

5：训练算法的选取，一般是选择默认即可，选择完成后点击<train>按钮即可运行程序

6：根据得到的结果，一般是MSE的值越小，R值越接近1，其训练的效果比较，并第二张图给出了神经网络的各参数的设置以及其最终的结果，其拟合图R越接近1，模型拟合的更好

最终的结果图

7：如果所得到的模型不能满足你的需求，则需重复上述的步骤直至能够得到你想要的精确度

8：将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值

MATLAB 与神经网络相关的函数总结如下：


图形用户界面功能
nnstart - 神经网络启动GUI 
nctool - 神经网络分类工具 
nftool - 神经网络的拟合工具 
nntraintool - 神经网络的训练工具 
nprtool - 神经网络模式识别工具 
ntstool - NFTool神经网络时间序列的工具 
nntool - 神经网络工具箱的图形用户界面。 
查看 - 查看一个神经网络。 
网络的建立功能
cascadeforwardnet - 串级，前馈神经网络。 
competlayer - 竞争神经层。 
distdelaynet - 分布时滞的神经网络。 
elmannet - Elman神经网络。 
feedforwardnet - 前馈神经网络。 
fitnet - 函数拟合神经网络。 
layrecnet - 分层递归神经网络。 
linearlayer - 线性神经层。 
lvqnet - 学习矢量量化（LVQ）神经网络。 
narnet - 非线性自结合的时间序列网络。 
narxnet - 非线性自结合的时间序列与外部输入网络。 
newgrnn - 设计一个广义回归神经网络。 
newhop - 建立经常性的Hopfield网络。 
newlind - 设计一个线性层。 
newpnn - 设计概率神经网络。 
newrb - 径向基网络设计。 
newrbe - 设计一个确切的径向基网络。 
patternnet - 神经网络模式识别。 
感知 - 感知。 
selforgmap - 自组织特征映射。 
timedelaynet - 时滞神经网络。 
利用网络
网络 - 创建一个自定义神经网络。 
SIM卡 - 模拟一个神经网络。 
初始化 - 初始化一个神经网络。 
适应 - 允许一个神经网络来适应。 
火车 - 火车的神经网络。 
DISP键 - 显示一个神经网络的属性。 
显示 - 显示的名称和神经网络属性 
adddelay - 添加延迟神经网络的反应。 
closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
formwb - 表格偏见和成单个向量的权重。 
getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
noloop - 删除神经网络的开放和关闭反馈回路。 
开环 - 转换神经网络反馈，打开封闭的反馈循环。 
removedelay - 删除延迟神经网络的反应。 
separatewb - 独立的偏见和重量/偏置向量的权重。 
setwb - 将所有与单个矢量网络权值和偏差。 
Simulink的支持
gensim - 生成Simulink模块来模拟神经网络。 
setsiminit - 集神经网络的Simulink模块的初始条件 
getsiminit - 获取神经网络Simulink模块的初始条件 
神经元 - 神经网络Simulink的模块库。 
trainb - 批具有重量与偏见学习规则的培训。 
trainbfg - 的BFGS拟牛顿倒传递。 
trainbr - 贝叶斯规则的BP算法。 
trainbu - 与重量与偏见一批无监督学习规则的培训。 
trainbuwb - 与体重无监督学习规则与偏见一批培训。 
trainc - 循环顺序重量/偏见的培训。 
traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
traingd - 梯度下降反向传播。 
traingda - 具有自适应LR的反向传播梯度下降。 
traingdm - 与动量梯度下降。 
traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
trainlm - 采用Levenberg -马奎德倒传递。 
trainoss - 一步割线倒传递。 
trainr - 随机重量/偏见的培训。 
trainrp - RPROP反向传播。 
trainru - 无监督随机重量/偏见的培训。 
火车 - 顺序重量/偏见的培训。 
trainscg - 规模化共轭梯度BP算法。 
绘图功能
plotconfusion - 图分类混淆矩阵。 
ploterrcorr - 误差自相关时间序列图。 
ploterrhist - 绘制误差直方图。 
plotfit - 绘图功能适合。 
plotinerrcorr - 图输入错误的时间序列的互相关。 
plotperform - 小区网络性能。 
plotregression - 线性回归情节。 
plotresponse - 动态网络图的时间序列响应。 
plotroc - 绘制受试者工作特征。 
plotsomhits - 小区自组织图来样打。 
plotsomnc - 小区自组织映射邻居的连接。 
plotsomnd - 小区自组织映射邻居的距离。 
plotsomplanes - 小区自组织映射重量的飞机。 
plotsompos - 小区自组织映射重量立场。 
plotsomtop - 小区自组织映射的拓扑结构。 
plottrainstate - 情节训练状态值。 
plotwb - 图寒春重量和偏差值图。 
列出其他神经网络实现的功能
nnadapt - 适应职能。 
nnderivative - 衍生功能。 
nndistance - 距离函数。 
nndivision - 除功能。 
nninitlayer - 初始化层功能。 
nninitnetwork - 初始化网络功能。 
nninitweight - 初始化权函数。 
nnlearn - 学习功能。 
nnnetinput - 净输入功能。 
nnperformance - 性能的功能。 
nnprocess - 处理功能。 
nnsearch - 线搜索功能。 
nntopology - 拓扑结构的功能。 
nntransfer - 传递函数。 
nnweight - 重量的功能。 
nndemos - 神经网络工具箱的示威。 
nndatasets - 神经网络工具箱的数据集。 
nntextdemos - 神经网络设计教科书的示威。 
nntextbook - 神经网络设计教科书的资讯。