欢迎关注"电击小子程高兴的MATLAB小屋"
%% I. 清空环境变量
clear all
clc
%% II. 训练集/测试集产生
%%
% 1. 导入数据
load spectra_data.mat
%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1)); %打乱60个样本排序
% 训练集------50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集------10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);
%% III. 数据归一化
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、训练及仿真测试 %% % 1. 创建网络 net = newff(p_train,t_train,9); %9是隐含层神经元的个数（大家改改测试下结果影响），连接权值是3628，讲一下怎么计算得到的 %% % 2. 设置训练参数 net.trainParam.epochs = 1000; %迭代次数 net.trainParam.goal = 1e-3; %mse均方根误差小于这个值训练结束 net.trainParam.lr = 0.01; %学习率 %% % 3. 训练网络 net = train(net,p_train,t_train); %% % 4. 仿真测试 t_sim = sim(net,p_test); %返回10个样本的预测值 %% % 5. 数据反归一化 T_sim = mapminmax('reverse',t_sim,ps_output); %反归一化结果 %% V. 性能评价 %% % 1. 相对误差error error = abs(T_sim - T_test)./T_test; %% % 2. 决定系数R\^2 R2 = (N \* sum(T_sim .\* T_test) - sum(T_sim) \* sum(T_test))\^2 / ((N \* sum((T_sim).\^2) - (sum(T_sim))\^2) \* (N \* sum((T_test).\^2) - (sum(T_test))\^2)); %% % 3. 结果对比 result = \[T_test' T_sim' error'\] %输出真实值，预测值，误差 %% VI. 绘图 figure plot(1:N,T_test,'b:\*',1:N,T_sim,'r-o') legend('真实值','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对比';\['R\^2=' num2str(R2)\]}; title(string)  