为啥有848个数据BP神经网络预测误差仍然很大

clc

清除

％从三类k均值聚类结果的每一个中随机选择190行，以形成一个新的570 * 3矩阵，即训练样本.

load（'data1.mat'）;

load（'data2.mat'）;

load（'data3.mat'）;

data = [data1; data2; data3];

%%

％第一类数据是80，是随机选择的过程

M1 = data1;

S1 =大小（M1,1）;

SampleRows1 = randperm（S1）;

SampleRows1 = SampleRows1（1:80）;

SampleM1 = M1（SampleRows1，: ）;

％第二种数据是110，是随机选择的过程

M2 = data2;

S2 = size（M2,1）;

SampleRows2 = randperm（S2）;

SampleRows2 = SampleRows2（1:80）;

SampleM2 = M2（SampleRows2，: ）;

％第三种数据是110，是随机选择的过程

M3 = data3;

S3 = size（M3,1）;

SampleRows3 = randperm（S3）;

SampleRows3 = SampleRows3（1:80）;

SampleM3 = M3（SampleRows3，: ）;

SampleM = [SampleM1; SampleM2; SampleM3];

％将重要性与前三列中的数据相匹配，并输出所需的输出.

％首先将随机选择的训练样本分配给d，然后将d与dataa匹配. 更新后的d具有匹配的重要性，第四列.

d = SampleM；％训练样本

%%

％将相应的重要性添加到训练样本中

load（'dataa.mat'）;

％匹配训练样本的重要性值

aInb = ismember（d，dataa）;

[m，n] = size（aInb）;

[mdataa，ndataa] = size（dataa）;

d = [d dataa（1: m，n + 1: ndataa）];重要的训练样本百分比

%%

％======非时间序列BP神经网络=====

％=======原始数据输入========

多个备件矩阵的三个因素的百分比[年度故障次数单价购买提前期]

p = SampleM';％训练样本，

％===========预期输出=======

％与多个备件对应的期望重要性输出值，即匹配重要性后训练样本的第四列值

t = d（: ，4）';

％===========测试数据=======

％从原始输入数据中选择一个零件，然后添加一些其他数据作为测试数据矩阵

%%

此处已修改％

％测试数据

ptest = dataa（:神经网络预测大量数据，1: 3）';

％test数据的预期输出

ttest = dataa（: ，4）;

%%

％归一化数据

[pn，minp，maxp，tn，mint，maxt] = premnmx（p神经网络预测大量数据，t）;％归一化数据

％考虑到没有太多数据，所以设置了两个隐藏层

NodeNum1 = 10;％隐藏层第一层中的节点数

NodeNum2 = 10;％隐藏层第二层中的节点数

％输出尺寸

TypeNum = 1;

每一层的％Transfer函数，TF3是输出层的传递函数

TF1 ='tansig';

TF2 ='tansig';

TF3 ='tansig';

％创建四层BP神经网络

net = newff（minmax（pn），[NodeNum1，NodeNum2，TypeNum]，{TF1 TF2 TF3}，'traingdx'）;

％网络创建人Tradingdx

net.trainParam.show = 50;％训练显示间隔

net.trainParam.epochs = 60000; ％最大训练时间设置

net.trainParam.goal = 1e-5; ％最小均方误差，即训练所需的精度

net.trainParam.lr = 0.01;％学习率

net = train（net，pn，tn）; ％train BP网络

％测试数据的规范化

p2n = tramnmx（ptest，minp，maxp）;

％BP结果输出

an = sim（net，p2n）;

％数据的非规格化，即您想要获得的最终预测结果

[a] = postmnmx（an，mint，maxt）

%% ============================================= ======================

%%

％plot函数的输出有问题，或者矩阵尺寸设置有问题

％aaaaaaaaaaaaaaaaaaaa ++++++++++++++++++++++++++++++++++++++++++++++++++++++++

％++++++++++++++++++++++++++++++++++++++++++++++++ ++ ++++++++++++++++++++++++++++

plot（1: length（ttest），a，'o'，1: length（ttest），ttest'，'. '）;

title（'o表示预测值--- *表示实际值'）

坚持

推迟

m = length（a）;向量a的％长度

t1 = ttest';

error = abs（t1-a）; ％错误向量

图

plot（1: length（error），error，'-. '）

title（'错误更改图'）

网格

本文来自本站，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-287220-1.html