BP神经网络-PPT课件.ppt

BP神经网络;;1、引例;1、引例;1、引例; 将问题看作一个系统，蚊子翼长、触角长的数据作为输入，蚊子的类型作为输出，研究输入与输出的关系。;2、 BP神经网络原理;2、BP神经网络的原理;BP神经网络的使用步骤;BP神经网络的使用步骤;3、BP神经网络使用步骤;根据相关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方千米。请利用BP网络预测该地区2010年和2011年的公路客运量和公路货运量。 ;某地区20年公路运量数据 ;（1）原始数据的输入，具体程序为 clc %原始数据 %人数（单位：万人） sqrs = [20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63] %机动车数（单位：万辆） Sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1] %公路面积（单位：万0.11 0.14 0.2 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79] %公路客运量（单位：万人） glkyl = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462] 公路货运量（单位：万吨） glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804]; 平方千米） Sqglmj = [0.09 0.11 P = [sqrs;sqjdcs;sqglmj]; %输入数据矩阵 t = [glky;glhyl]; %目标数据矩阵;（2）对输入数据矩阵和目标矩阵的数据进行归一化，具体程序为 %利用函数premnmx对数据归一化 [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %对于输入矩阵p和输出矩阵t进行归一化处理 dx = [-1,1;-1,1;-1,1] %归一化处理后最小值为-1，最大值为1 ;(3）利用处理好的数据对网络进行训练，具体程序为 %BP网络训练 net = newff（dx，[3,7,2],{‘tansig’, ‘tansig’ , ‘purelin’}, ‘traingdx’); %建立模型，并用梯度下降法 %训练 net.trainParam.show = 1000; %1000步显示一次结果 net.trainParam.Lr = 0.05; %学习速率为0.05 net.trainParam.epochs = 50000;%最大训练步数为50000次 net.trainParam.goal = 0.65*10 (-3) ;(4)利用训练好的BP网络对原???数据进行仿真，具体程序为 %利用原始数据对BP网络仿真 an = sim（net，pn）；%用训练好的模型进行仿真 a = postmnmx（an，mint，maxt）；%把仿真得到的数据还原为原始的数量级 ;（5）用原始数据仿真的结果与已知数据进行对比测试，具体程序为 %本例因样本容量有限使用训练数据进行测试，通常必须用新鲜数据进行测试 x = 1990:2009; newk = a(1,:); newh = a(2,:); figure(2); subplot(2,1,1);plot(x,newk, ‘r-o’,x,glkyl, ‘b--+); %绘值公路客运量对比图 legend（‘网络输出客运量’，‘实际客运量‘）； xlabel（‘年份’）；ylabel（‘客运量/万人’）； title（‘运用工具箱货运量学习和测试对比图