BP神经网络模型：Matlab

本文介绍了运用计量统计软件Matlab(2017aMAC)建立BP神经网络模型的方法。主要运用的方程是feedforwardnet

整理数据

本例中的数据来自于Matalab提供的内置数据，可以通过代码

1.load bodyfat_dataset

获得，为方便其他软件读取，已经将数据复制粘贴到Excel中

本例中，1至13列为输入变量，第14列为输出变量，即输入层包含13个神经元，输出层有一个神经元。另外设定一个隐含层，包括20个神经元

每个神经元包含252个数据点，其中最后一个点不参与训练，留作测试最终的模型，即利用前251个数据点训练模型，利用最后一个点检验模型

在Matlab中输入数据

1、点击打开Matlab，确保保存的Excel文件和软件路径一致

2、在Editor界面中编辑代码，其中clc清除Command Window,clear清除Workspace

1.clc

2.clear

Note 1:

选中代码，点击鼠标右键，选择Evaluate Selection执行选中代码

3、利用xlsread函数读取数据，其中第一格单引号内是文件名称，第二格是工作表位置，第三格单引号内是数据范围

1.clc

2.clear

3.

4.data=xlsread('bodyfat_dataset',1,'A1:N252');

5.

执行代码后，新的变量出现在Workspace页面中，其中，矩阵列表示各变量，行表示各数据

进行BP神经网络建模

数据录入完成后，继续在Editor界面进行操作

1、首先利用feedforwardnet函数建立模型，20表示隐含层包含20个神经元，输入层至隐含层的传递函数为Hyperbolictangent函数，隐含层至输出层的传递函数为Sigmoid函数

1.clc

2.clear

3.

4.data = xlsread('bodyfat_dataset',1,' A1:N252');

5.

6.net = feedforwardnet(20);

9.

2、对原始数据进行拆分，前251个数据用来训练，最后一个用来测试

1.clc

2.clear

3.

4.data = xlsread('bodyfat_dataset',1,' A1:N252');

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

3、利用train对模型进行训练，遵循反向修改权重的原则

1.clc

2.clear

3.

4.data = xlsread('bodyfat_dataset',1,' A1:N252');

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

15.net = train(net,input',target');

16.

在跳出的训练图中，可以看出该模型输入层个神经元，隐含层20个，输出层1个。模型训练17次就达到预期要求

4、最后，利用留置的数据进行测试，输出值与目标值的偏差

1.clc

2.clear

3.

4.data = xlsread('bodyfat_dataset',1,' A1:N252');

5.

6.net = feedforwardnet(20);

9.

10.input = data(1:251,1:13);

11.inputend = data(end,1:13);

12.target = data(1:251,14);

13.targetend = data(end,end);

14.

15.net = train(net,input',target');

16.

17.net(inputend')-targetend

18.

Note 2:

重复运行代码，可以发现每次的结果并不相同，这是因为，初始权重是随机设定的

Note 3 :

由于初始权重是随机设定的，所以每次运行的结果可能有所不同，这也体现出神经网络模型的局限性，模型训练找出的误差最小权重可能只是局部上使误差最小的权重，这样的权重可能有很多个，所以结果有很多种。解决这种问题的一个方法是，留一部分数据不参加训练，而是用来测试模型的输出结果，当输出与目标值较为接近时，再利用模型进行预测