Matlab神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)旅游人口、失業(yè)率等

1、TOC o 1-5 h zs=493372445;372445176;445176235;176235378;235378429;378429561;429561651;561651467;651467527;467527668;527668841;668841526;841526480;526480567;480567685;p=s;t=176235378429561651467527668841526480567685507;%數(shù)據(jù)歸一化處理%mapminmax函數(shù)默認(rèn)將數(shù)據(jù)歸一化到-1,1normInput,ps=mapminmax(p);normTarget,ts=mapminmax(

2、t);%將輸入的15組數(shù)據(jù)的20%，即3組，用來作為測(cè)試數(shù)據(jù)；%樣本的20%，即3組，用來作為變化數(shù)據(jù)；%另外9組用來正常輸入，用來訓(xùn)練；testPercent=0.20;%AdjustasdesiredvalidatePercent=0.20;%AdustasdesiredtrainSamples,validateSamples,testSamples=dividevec(normInput,normTarget,validatePercent,testPercent);%設(shè)置網(wǎng)絡(luò)參數(shù)forj=1:200NodeNum1=20;%隱層第一層節(jié)點(diǎn)數(shù)NodeNum2=40;%隱層第二層節(jié)點(diǎn)數(shù)Ty

3、peNum=1;%輸出維數(shù)TF1二tansig;TF2二tansig;TF3二tansig;%各層傳輸函數(shù)，TF3為輸出層傳輸函數(shù)%如果訓(xùn)練結(jié)果不理想，可以嘗試更改傳輸函數(shù)，以下這些是各類傳輸函數(shù)%TF1=tansig;TF2=logsig;%TF1=logsig;TF2=purelin;%TF1=tansig;TF2=tansig;%TF1=logsig;TF2=logsig;%TF1=purelin;TF2=purelin;net=newff(minmax(normInput),NodeNum1,NodeNum2,TypeNum,TF1TF2TF3,traingdx);%網(wǎng)絡(luò)創(chuàng)建%設(shè)置訓(xùn)練

4、參數(shù)net.trainParam.epochs=10000;%訓(xùn)練次數(shù)設(shè)置net.trainParam.goal=le-6;%訓(xùn)練目標(biāo)設(shè)置net.trainParam.lr=0.01;%學(xué)習(xí)率設(shè)置，應(yīng)設(shè)置為較少值，太大雖然會(huì)在開始加快收斂速度，但臨近最佳點(diǎn)時(shí)，會(huì)產(chǎn)生動(dòng)蕩，而致使無法收斂%指定訓(xùn)練參數(shù)%net.trainFcn=traingd;%梯度下降算法%net.trainFcn=traingdm;%動(dòng)量梯度下降算法%net.trainFcn=traingda;%變學(xué)習(xí)率梯度下降算法%net.trainFcn=traingdx;%變學(xué)習(xí)率動(dòng)量梯度下降算法%(大型網(wǎng)絡(luò)的首選算法)%net.tr

5、ainFcn=trainrp;%RPROP(彈性BP)算法，內(nèi)存需求最小%(共軛梯度算法)%net.trainFcn=traincgf;%Fletcher-Reeves修正算法%net.trainFcn=traincgp;%Polak-Ribiere修正算法，內(nèi)存需求比Fletcher-Reeves修正算法略大%net.trainFcn=traincgb;%Powell-Beal復(fù)位算法，內(nèi)存需求比Polak-Ribiere修正算法略大%(大型網(wǎng)絡(luò)的首選算法)%net.trainFcn=trainscg;%ScaledConjugateGradient算法，內(nèi)存需求與Fletcher-Reev

6、es修正算法相同，計(jì)算量比上面三種算法都小很多%net.trainFcn=trainbfg;%Quasi-NewtonAlgorithms-BFGSAlgorithm,計(jì)算量和內(nèi)存需求均比共軛梯度算法大，但收斂比較快%net.trainFcn=trainoss;%OneStepSecantAlgorithm,計(jì)算量和內(nèi)存需求均比BFGS算法小，比共軛梯度算法略大%(中型網(wǎng)絡(luò)的首選算法)%net.trainFcn=trainlm;%Levenberg-Marquardt算法，內(nèi)存需求最大，收斂速度最快%net.trainFcn=trainbr;%貝葉斯正則化算法%有代表性的五種算法為:train

7、gdx，trainrp，trainscg，trainoss，trainlmnet.trainfcn=traingdm;TOC o 1-5 h znet，tr=train(net，trainSamples.P，trainSamples.T，validateSamples，testSamples);normTrainOutput，Pf，Af，E，trainPerf=sim(net,trainSamples.P，,trainSamples.T);%正常輸入的9組p數(shù)據(jù)，BP得到的結(jié)果tnormValidateOutput，Pf，Af，E，validatePerf=sim(net,validateSa

8、mples.P,validateSamples.T);%用作變量3的數(shù)據(jù)p,BP000結(jié)果tnormTestOutput,Pf,Af,E,testPerf=sim(net,testSamples.P,testSamples.T);%用作測(cè)試的3組數(shù)據(jù)p,BP000D0ttrainOutput二mapminmax(reverse,normTrainOutput,ts);%正常輸入的9組p數(shù)據(jù)，BP得到的歸一化后的結(jié)果ttrainInsect二mapminmax(reverse,trainSamples.T,ts);%正常輸入的9組數(shù)據(jù)tvalidateOutput二mapminmax(rever

9、se,normValidateOutput,ts);%用作變量30數(shù)據(jù)p,BP000歸一化的結(jié)果tvalidatelnsect二mapminmax(reverse,validateSamples.T,ts);%用作變量30數(shù)據(jù)ttestOutput二mapminmax(reverse,normTestOutput,ts);%用作變量3組數(shù)據(jù)p,BP000歸一化0結(jié)果ttestlnsect二mapminmax(reverse,testSamples.T,ts);%用作變量3組數(shù)據(jù)t%絕對(duì)誤差計(jì)算absTrainError=trainOutput-trainInsect;absTestError=

10、testOutput-testInsect;error_sum二sqrt(absTestError(l).2+absTestError(2).2+absTestError(3).2);All_error=absTrainErrorabsTestErrorerror_sum;eps=90;%其為3組測(cè)試數(shù)據(jù)的標(biāo)準(zhǔn)差，或者每個(gè)數(shù)據(jù)偏差在一定范圍內(nèi)而判別if(abs(absTestError(1)=30)&(abs(absTestError(2)=30)&(abs(absTestError(3)=30)|(error_sum=eps)savemynetdatanetbreakendjendjMin_error_sqrt=min(All_error)testOutputtestInsect%數(shù)據(jù)分析和繪圖%figureplot(1:12,trainOutputvalidateOutput,b-,1:12,trainInsectvalidateInsect