bp预测.m

是MATLAB的BP预测程序

%BP建模
%标准化后的建模数据集
m_data=[0.26667	0.47647	0.35	0.30741	0.39565	0.9;
0.2	0.75882	0.35	0.27778	0.53479	0.46001;
0.2	0.52353	0.4	0.33704	0.32609	0.48001;
0.66667	0.52353	0.29999	0.21852	0.27391	0.50001;
0.26667	0.75882	0.6	0.33704	0.32609	0.44001;
0.16667	0.57059	0.29999	0.27778	0.3087	0.46001;
0.2	0.71176	0.4	0.36667	0.44783	0.48001;
0.23333	0.71176	0.5	0.30741	0.15218	0.34001;
0.16667	0.42941	0.5	0.24815	0.5	0.48001;
0.13333	0.57059	0.5	0.3963	0.41305	0.48001;
0.16667	0.75882	0.5	0.21852	0.3087	0.52001;
0.16667	0.71176	0.4	0.27778	0.48261	0.44001;
0.23333	0.75882	0.5	0.33704	0.3087	0.48001;
0.13333	0.75882	0.5	0.33704	0.23913	0.42001;
0.16667	0.75882	0.2	0.18889	0.13478	0.1;
0.13333	0.71176	0.35	0.27778	0.32609	0.14;
0.2	0.24119	0.35	0.24815	0.3087	0.88001;
0.70001	0.47647	0.25	0.33704	0.20435	0.38001;
0.4	0.52353	0.2	0.15927	0.23913	0.34001;
0.26667	0.47647	0.35	0.12963	0.16957	0.36;
0.16667	0.6647	0.35	0.27778	0.27391	0.40001;
0.3	0.61764	0.55	0.24815	0.25652	0.62001;
0.13333	0.75882	0.6	0.30741	0.20435	0.62001;
0.3	0.71176	0.55	0.18889	0.20435	0.70001;
0.13333	0.57059	0.5	0.30741	0.29131	0.72001;
0.16667	0.80588	0.5	0.21852	0.23913	0.60001;
0.1	0.61764	0.6	0.21852	0.16957	0.62001;
0.23333	0.61764	0.5	0.3963	0.3087	0.70001;
0.2	0.80588	0.45	0.18889	0.1	0.48001;
0.23333	0.6647	0.45	0.1	0.11739	0.54001;
0.2	0.52353	0.29999	0.30741	0.16957	0.50001;
0.16667	0.71176	0.6	0.24815	0.23913	0.70001;
0.1	0.85293	0.6	0.12963	0.16957	0.52001;
0.3	0.61764	0.5	0.21852	0.13478	0.64001;
0.13333	0.61764	0.4	0.27778	0.23913	0.62001;
0.16667	0.80588	0.6	0.3963	0.23913	0.36;
0.23333	0.75882	0.75	0.30741	0.1	0.66001;
0.13333	0.9	0.6	0.27778	0.20435	0.44001;
0.16667	0.61764	0.29999	0.27778	0.32609	0.60001;
0.16667	0.71176	0.6	0.27778	0.27391	0.52001;
0.1	0.85293	0.45	0.1	0.23913	0.54001;
0.1	0.71176	0.69999	0.27778	0.43044	0.76001;
0.1	0.38236	0.6	0.30741	0.32609	0.64001;
0.1	0.75882	0.6	0.33704	0.25652	0.46001;
0.73333	0.71176	0.25	0.45556	0.5	0.50001;
0.56667	0.61764	0.35	0.33704	0.34348	0.74;
0.13333	0.6647	0.75	0.75186	0.69131	0.56001;
0.83334	0.61764	0.25	0.60371	0.44783	0.38001;
0.9	0.33529	0.2	0.3963	0.3087	0.54001;
0.4	0.61764	0.5	0.3963	0.44783	0.48001;
0.1	0.57059	0.4	0.57408	0.7261	0.88001;
0.16667	0.61764	0.35	0.27778	0.34348	0.38001;
0.1	0.47647	0.35	0.75186	0.83045	0.62001;
0.2	0.47647	0.35	0.81111	0.83045	0.70001;
0.1	0.33529	0.6	0.9	0.9	0.50001;
0.13333	0.24119	0.4	0.81111	0.86522	0.58356;
0.4	0.80588	0.6	0.48519	0.55218	0.42001;
0.5	0.42941	0.45	0.57408	0.37826	0.56001;
0.16667	0.28824	0.25	0.75186	0.79567	0.54001;
0.23333	0.33529	0.4	0.84075	0.65653	0.68001;
0.13333	0.57059	0.6	0.57408	0.67392	0.46001;
0.5	0.57059	0.5	0.51482	0.55218	0.44001;
0.1	0.6647	0.69999	0.57408	0.65653	0.88001;
0.3	0.75882	0.75	0.21852	0.37826	0.70001;
0.23333	0.57059	0.6	0.3963	0.41305	0.48001;
0.59999	0.80588	0.45	0.24815	0.25652	0.42001;
0.70001	0.28824	0.65	0.63334	0.58696	0.60001;
0.4	0.61764	0.4	0.33704	0.34348	0.34001;
0.46666	0.1	0.5	0.63334	0.65653	0.54001;
0.23333	0.33529	0.25	0.84075	0.7261	0.50001;
0.2	0.47647	0.1	0.27778	0.3087	0.42001;
0.36667	0.52353	0.5	0.51482	0.83045	0.62001;
0.4	0.47647	0.45	0.33704	0.32609	0.50001;
0.33333	0.33529	0.4	0.63334	0.7261	0.46001;
0.23333	0.24119	0.55	0.63334	0.7261	0.53778;
0.13333	0.24119	0.45	0.33704	0.3087	0.76001;
0.33333	0.47647	0.45	0.42593	0.41305	0.70001;
0.5	0.1	0.35	0.3963	0.48261	0.70001;
0.46666	0.52353	0.4	0.63334	0.86522	0.52001;
0.26667	0.33529	0.25	0.69259	0.83045	0.68001;
0.26667	0.71176	0.6	0.42593	0.55218	0.34001;
0.4	0.42941	0.5	0.45556	0.43044	0.52001;
0.23333	0.47647	0.6	0.54445	0.62175	0.52001;
0.36667	0.47647	0.4	0.69259	0.69131	0.52001;
0.26667	0.61764	0.29999	0.63334	0.81306	0.44001;
0.1	0.33529	0.65	0.3963	0.23913	0.44001;
0.13333	0.57059	0.6	0.51482	0.55218	0.38001;
0.2	0.33529	0.55	0.45556	0.55218	0.52001;
0.33333	0.24119	0.29999	0.57408	0.83045	0.64001;
0.16667	0.42941	0.5	0.45556	0.76088	0.58001;
0.13333	0.71176	0.65	0.45556	0.37826	0.22001;
0.1	0.71176	0.6	0.63334	0.69131	0.28001;
0.2	0.52353	0.9	0.36667	0.48261	0.36446;
0.16667	0.71176	0.8	0.36667	0.32609	0.42001;
0.13333	0.42941	0.55	0.51482	0.48261	0.58001;
0.4	0.47647	0.5	0.30741	0.37826	0.48001;
0.8	0.52353	0.4	0.30741	0.34348	0.48001;
0.1	0.6647	0.69999	0.51482	0.5	0.38001;
0.16667	0.6647	0.55	0.45556	0.32609	0.34001;
0.23333	0.61764	0.65	0.51482	0.41305	0.2;
0.3	0.71176	0.5	0.33704	0.5174	0.70001;
0.13333	0.57059	0.5	0.33704	0.44783	0.60001;
0.3	0.80588	0.69999	0.54445	0.5174	0.50001;
0.13333	0.75882	0.65	0.3963	0.37826	0.28001;
0.16667	0.71176	0.65	0.57408	0.5	0.70001;
0.16667	0.75882	0.6	0.45556	0.62175	0.44001;
0.26667	0.61764	0.65	0.3963	0.34348	0.74;
0.36667	0.57059	0.5	0.30741	0.39565	0.62001;
0.16667	0.57059	0.65	0.3963	0.29131	0.62001;
0.2	0.52353	0.5	0.48519	0.39565	0.44001;
0.4	0.52353	0.45	0.33704	0.34348	0.56001;
0.13333	0.52353	0.5	0.33704	0.29131	0.52001;
0.26667	0.42941	0.5	0.75186	0.65653	0.76001;
0.13333	0.24119	0.5	0.54445	0.58696	0.64001;
0.13333	0.14707	0.1	0.51482	0.5174	0.58001;
0.2	0.24119	0.29999	0.60371	0.62175	0.74;
0.26667	0.42941	0.25	0.57408	0.65653	0.60001;
0.56667	0.19412	0.4	0.78148	0.69131	0.70001;
0.4	0.57059	0.25	0.60371	0.58696	0.50001;
0.33333	0.47647	0.25	0.48519	0.65653	0.72001;
0.4	0.38236	0.29999	0.42593	0.23913	0.58001;
0.13333	0.61764	0.65	0.57408	0.55218	0.70001;
0.23333	0.42941	0.69999	0.63334	0.48261	0.62001;
0.2	0.28824	0.55	0.81111	0.76088	0.58];
%定义网络输入p和期望输出t
p1=m_data(:,1:5);
t1=m_data(:,6);
 p=p1';t=t1';
%设置网络隐单元的神经元数(5~30验证后20个最好） 
 n=15;
%建立相应的BP网络
 net=newff(minmax(p),[n,1],{'tansig','purelin'},'trainlm');
%对没有训练的网络仿真
 y1=sim(net,p);
%训练网络
 net.trainParam.epochs=1000;
 net.trainParam.lr=0.1;
 net.trainParam.goal=0.001;
 net=train(net,p,t);
 %对训练后的网络进行仿真
 %y=sim(net,p);
%标准化后的测试数据集t_data
t_data=[0.1	0.68668	0.67143	0.79999	0.79091	0.40004;
0.36667	0.58001	0.1	0.7	0.71818	0.20001;
0.26	0.47334	0.1	0.29997	0.2091	0.80009;
0.36667	0.9	0.9	0.29997	0.13637	0.37504;
0.26	0.84668	0.67143	0.1	0.42727	0.37504;
0.36667	0.58001	0.44286	0.49999	0.1	0.55006;
0.15333	0.47334	0.44286	0.7	0.42727	0.60006;
0.1	0.84668	0.67143	0.29997	0.5	0.1;
0.15333	0.42	0.21429	0.49999	0.5	0.55006;
0.20667	0.79335	0.21429	0.59999	0.5	0.32503;
0.1	0.42	0.21429	0.9	0.5	0.45005;
0.1	0.84668	0.32857	0.59999	0.5	0.27502;
0.20667	0.47334	0.32857	0.29997	0.13637	0.50005;
0.1	0.68668	0.67143	0.49999	0.24546	0.20001;
0.42	0.58001	0.21429	0.9	0.9	0.42504;
0.31334	0.58001	0.44286	0.49999	0.31818	0.25002;
0.15333	0.42	0.1	0.19999	0.35454	0.55006;
0.20667	0.47334	0.32857	0.29997	0.31818	0.27502;
0.15333	0.68668	0.44286	0.29997	0.31818	0.40004;
0.20667	0.20667	0.21429	0.39999	0.28183	0.52506;
0.26	0.79335	0.21429	0.49999	0.57273	0.9;
0.42	0.36667	0.1	0.59999	0.35454	0.30003;
0.47334	0.36667	0.1	0.59999	0.57273	0.35003;
0.1	0.47334	0.67143	0.7	0.42727	0.49894;
0.42	0.58001	0.67143	0.49999	0.24546	0.47505;
0.31334	0.1	0.32857	0.9	0.79091	0.8501;
0.1	0.52667	0.21429	0.9	0.5	0.50005;
0.52667	0.55867	0.21429	0.1	0.28183	0.42504;
0.9	0.58001	0.55715	0.1	0.17273	0.32503;
0.15333	0.68668	0.62572	0.29997	0.2091	0.57506];
%测试结果
tp1=t_data(:,1:5);
tt1=t_data(:,6);
tp=tp1';tt=tt1';
ty=sim(net,tp);
%定义误差
tE=tt-ty;
tsse=sse(tE);
tmse=mse(tE);
%预测(测试）曲线
figure;
 plot(tt,'-+');
 hold on;
 plot(ty,'r:*');
 legend('化验值','预测值');
 title('BP网络模型输出预测曲线');
 xlabel('输入样本点');
 ylabel('淀粉利用率');
axis([0,30,0,1]);