問題描述：兩個excel表格
已知：第一個表格，每一行21個數值，前20個參數決定最后一個數值。一共1975行數據。
預測：第二個表格，每一行20參數，50行，預測每一行的20個參數對應的輸出值。
第一個表格的部分數據：

1.用excel數據訓練模型并保存

%% 清空環境變量 clc clear tic %% 訓練數據預測數據提取及歸一化 %導入輸入輸出數據，數據和m文件在一個文件夾中。 data=xlsread('工作簿123.xlsx', 'Sheet1', 'A2:U1975');%找出訓練數據和預測數據，1700條訓練數據，275條測試數據。 input_train=data(1:1700,1:20)'; output_train=data(1:1700,21)'; input_test=data(1701:end,1:20)'; output_test=data(1701:end,21)';%選連樣本輸入輸出數據歸一化[inputn,inputps]=mapminmax(input_train) [outputn,outputps]=mapminmax(output_train); %% BP網絡訓練 % %初始化網絡結構 net=newff(inputn,outputn,8);%隱含層節點數量經驗公式p=sqrt(m+n)+a ，故分別取2~13進行試驗net.trainParam.epochs=100 % 對整個訓練組訓練100次 net.trainParam.lr=0.001;% 設置學習率 net.trainParam.goal=0.0001; %網絡輸出和目標值的差的平方再求平均值%網絡訓練 net=train(net,inputn,outputn);%% BP網絡預測 %預測數據歸一化 inputn_test=mapminmax('apply',input_test,inputps);%網絡預測輸出 an=sim(net,inputn_test);%將輸出的結果 BPoutput=mapminmax('reverse',an,outputps);%% 結果分析figure (1) plot(BPoutput,'bo') hold on plot(output_test,'gp'); legend('預測輸出','期望輸出') title('BP網絡預測輸出','fontsize',11) ylabel('函數輸出','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[1:1:11]) zoom on; grid on %預測誤差 error=BPoutput-output_test;figure (2) x = 1:1:275; plot(x,error,'-o') title('BP網絡預測誤差','fontsize',11) ylabel('誤差','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[1:1:275]) axis([1,300,-5,10]) str1=num2str(error',2); text(x,error,str1) grid onfigure (3) plot((output_test-BPoutput)./BPoutput,'r'); set(gca,'yticklabel',{'0','5%','10%','15%','20%','25%','30%','35%','40%','45%','50%'}); title('神經網絡預測誤差百分比') ylabel('百分比','fontsize',11) xlabel('樣本','fontsize',11) set(gca,'XTick',[0:1:6]) grid onerror=sum(abs(error))/275 w1 = net.iw{1,1};%輸入層到中間層的權值 w2 = net.lw{2,1}; b1 = net.b{1};%中間各層神經元閾值 b2 = net.b{2};toc

運行save net 將保存模型

2.調用模型，進行對新的數據進行預測

%% 清空環境變量 clc clear tic load('D:\net1.mat'); data=xlsread('第五個參數5.xlsx', 'Sheet1', 'A2:ABA51'); input_test=data(1:50,1:729)'; % inputn_test=mapminmax('apply',input_test,inputps); inputn_test=mapminmax(input_test,inputps); an=sim(net,inputn_test); BPoutput=mapminmax('reverse',an,outputps)

總結

以上是生活随笔為你收集整理的BP神经网络做数据预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。