BP神经网络预测代码

你这是在做时间序列呢。

你可以去《神经网络之家》nnetinfo----》学习教程二--->神经网络在时间序列上的应用

上面有讲解。我把代码摘抄给你

% time series:神经网络在时间序列上的应用

% 本代码出自《神经网络之家》

timeList = 0 :001 : 2pi; %生成时间点

X = sin(timeList); %生成时间序列信号

%利用x(t-5),x(t-4),x(t-3),x(t-2),x(t-1)作为输入预测x(t)，将x(t)作为输出数据

inputData = [X(1:end-5);X(2:end-4);X(3:end-3);X(4:end-2);X(5:end-1)];

outputData = X(6:end);

%使用用输入输出数据（inputData、outputData）建立网络，

%隐节点个数设为3其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。

net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

%设置一些常用参数

nettrainparamgoal = 00001; %训练目标：均方误差低于00001

nettrainparamshow = 400; %每训练400次展示一次结果

nettrainparamepochs = 1500; %最大训练次数：15000

[net,tr] = train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络

simout = sim(net,inputData); %调用matlab神经网络工具箱自带的sim函数得到网络的预测值

figure; %新建画图窗口窗口

t=1:length(simout);

plot(t,outputData,t,simout,'r')%画图，对比原来的输出和网络预测的输出

%------------------附加:抽取数学表达式----------------------------top

%希望脱离matlab的sim函数来使用训练好网络的话，可以抽取出数学的表达式，|

%这样在任何软件中，只需要按表达式计算即可。 |

%============抽取数学表达式==================

%抽取出网络的权值和阈值

w12 = netiw{1,1}; %第1层（输入层）到第2层（隐层）的权值

b2 = netb{1}; %第2层（隐层）的阈值

w23 = netlw{2,1}; %第2层（隐层）到第3层（输出层）的权值

b3 = netb{2}; %第3层（输出层）的阈值

%由于有归一化，必须先将归一化信息抓取出来

iMax = max(inputData,[],2);

iMin = min(inputData,[],2);

oMax = max(outputData,[],2);

oMin = min(outputData,[],2);

%方法1：归一化--->计算输出--->反归一化

normInputData=2(inputData -repmat(iMin,1,size(inputData,2)))/repmat(iMax-iMin,1,size(inputData,2)) -1;

tmp = w23tansig( w12 normInputData + repmat(b2,1,size(normInputData,2))) + repmat(b3,1,size(normInputData,2));

myY = (tmp+1)repmat(oMax-oMin,1,size(outputData,2))/2 + repmat(oMin,1,size(outputData,2));

%方法2：用真正的权值和阈值进行计算

%公式请参考《提取对应原始数据的权重和阈值》

W12 = w12 2 /repmat(iMax' -iMin',size(w12,1),1);

B2 = -w12 (2iMin /(iMax - iMin) + 1) + b2;

W23 = w23 repmat((oMax -oMin),1,size(w23,2))/2;

B3 = (oMax -oMin) b3 /2 + (oMax -oMin)/2 + oMin;

%最终的数学表达式：

myY2 = W23 tansig( W12 inputData + repmat(B2,1,size(inputData,2))) + repmat(B3,1,size(inputData,2));

P=[。。。];输入T=[。。。];输出

% 创建一个新的前向神经网络

net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值

inputWeights=net_1IW{1,1}

inputbias=net_1b{1}

% 当前网络层权值和阈值

layerWeights=net_1LW{2,1}

layerbias=net_1b{2}

% 设置训练参数

net_1trainParamshow = 50;

net_1trainParamlr = 005;

net_1trainParammc = 09;

net_1trainParamepochs = 10000;

net_1trainParamgoal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络

[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真

A = sim(net_1,P);

% 计算仿真误差

E = T - A;

MSE=mse(E)

x=[。。。]';%测试

sim(net_1,x)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

不可能啊 我2009

给你个例子如下，

net=newff(inputn,outputn,[8,4],{'tansig','purelin'},'trainscg');%初始化网络结构

%网络参数配置（迭代次数、学习率、目标）

nettrainParamepochs=3000;

nettrainParamlr=008;

nettrainParamgoal=005;

netdivideFcn = '';

[net,tr]=train(net,inputn,outputn);%网络训练

%网络预测输出

an=sim(net,inputn_test);

不过只了解输入预测输出，这些还不够，还要看你的输入数据的量，来确定隐含层，还需要看数据是不是归一化，我专门做神经网络的预测工作，可否加QQ探讨一下？