BP神經(jīng)網(wǎng)絡(luò)-課件1BP神經(jīng)網(wǎng)絡(luò)-課件21、引例1981年生物學(xué)家格若根（W．Grogan）和維什（W．Wirth）發(fā)現(xiàn)了兩類蚊子(或飛蠓midges)．他們測量了這兩類蚊子每個(gè)個(gè)體的翼長和觸角長，數(shù)據(jù)如下：翼長觸角長類別1.781.14Apf1.961.18Apf1.861.20Apf1.721.24Af2.001.26Apf2.001.28Apf1.961.30Apf1.741.36Af翼長觸角長類別1.641.38Af1.821.38Af1.901.38Af1.701.40Af1.821.48Af1.821.54Af2.081.56Af1、引例1981年生物學(xué)家格若根（W．Grogan）和維什31、引例問：如果抓到三只新的蚊子，它們的觸角長和翼長分別為(l.24,1.80);(l.28，1.84)；（1.40，2.04）．問它們應(yīng)分別屬于哪一個(gè)種類？(1.24，1.80)，(1.28，1.84)屬于Af類；(1.40，2.04）屬于Apf類．解法一：分類結(jié)果1、引例問：如果抓到三只新的蚊子，它們的觸角長和翼長分別為(41、引例Q1：根據(jù)什么原則確定分類直線？Q2：如下情形已經(jīng)不能用分類直線的辦法1、引例Q1：根據(jù)什么原則確定分類直線？Q2：如下情形已經(jīng)不5將問題看作一個(gè)系統(tǒng)，蚊子翼長、觸角長的數(shù)據(jù)作為輸入，蚊子的類型作為輸出，研究輸入與輸出的關(guān)系。新思路：1、引例新思路：1、引例62、BP神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)模型2、BP神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)72、BP神經(jīng)網(wǎng)絡(luò)原理BP算法BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，因使用反向傳播算法（BP算法）而得名。多層前饋網(wǎng)絡(luò)模型BP神經(jīng)網(wǎng)絡(luò)1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層2、BP神經(jīng)網(wǎng)絡(luò)原理BP算法BP(BackPropaga82、BP神經(jīng)網(wǎng)絡(luò)原理2、BP神經(jīng)網(wǎng)絡(luò)原理92、BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則其中：E為網(wǎng)絡(luò)輸出與實(shí)際輸出樣本之間的誤差平方和；

η為網(wǎng)絡(luò)的學(xué)習(xí)速率即權(quán)值調(diào)整幅度2、BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則其中：E為網(wǎng)絡(luò)輸出與10BP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)的使用步驟11BP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)MATLAB工具箱中提供的函數(shù)：

1、前向網(wǎng)絡(luò)創(chuàng)建函數(shù)：newcf、newff和newfftd

2、激勵(lì)函數(shù)：logsig、dlogsig、(S型對數(shù)式)tansig、dtansig、(正切函數(shù)式)purelin、dpurelin(線性函數(shù))

3、學(xué)習(xí)函數(shù)：learngd(梯度下降權(quán)值/閥值學(xué)習(xí)函數(shù))、learndm(梯度下降動(dòng)量函數(shù))

4、訓(xùn)練函數(shù)：trainbfg(BFGS準(zhǔn)牛頓BP算法)、traingd(梯度下降BP算法訓(xùn)練函數(shù))、traingdm(梯度下降動(dòng)量BP算法)等等

5、性能函數(shù)：mse(均方誤差性能函數(shù))、mseregBP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)MATLAB工具箱中提供的123、BP神經(jīng)網(wǎng)絡(luò)使用步驟基于MATLAB工具箱的使用步驟1、原始數(shù)據(jù)的輸入2、對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化3、利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練4、利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真5、用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試6、利用訓(xùn)練好的BP網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行仿真3、BP神經(jīng)網(wǎng)絡(luò)使用步驟基于MATLAB工具箱的使用步驟1、13根據(jù)相關(guān)部門數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為73.39和75.55萬人，機(jī)動(dòng)車數(shù)量分別為3.9635和4.0975萬輛，公路面積將分別為0.9880和1.0268萬平方千米。請利用BP網(wǎng)絡(luò)預(yù)測該地區(qū)2010年和2011年的公路客運(yùn)量和公路貨運(yùn)量。根據(jù)相關(guān)部門數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為714某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量/萬人機(jī)動(dòng)車數(shù)量/萬輛公路面積/萬平方千米公路客運(yùn)量/萬人公路貨運(yùn)量/萬噸199020.550.60.0951261237199122.440.750.1162171379199225.370.850.1177301385199327.130.900.1491451399199429.451.050.20104601663199530.11.350.23113871714199630.961.450.23123531834199734.061.600.32157504322199836.421.700.32183048132199938.091.850.34198368936200039.132.150.362102411099200139.992.200.361949011203200241.932.250.382043310524200344.592.350.492259811115200447.302.500.562510713320200552.892.600.593344216762200655.732.700.593683618673200756.762.850.674054820724200859.172.950.694292720803200960.633.100.794346221804某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量/萬人機(jī)動(dòng)車數(shù)量/萬輛公15（1）原始數(shù)據(jù)的輸入，具體程序?yàn)閏lc%原始數(shù)據(jù)%人數(shù)（單位：萬人）sqrs=[20.5522.4425.3727.1329.4530.130.9634.0636.4238.0939.1339.9941.9344.59 47.352.8955.7356.7659.1760.63]%機(jī)動(dòng)車數(shù)（單位：萬輛）Sqjdcs=[0.60.750.850.91.051.351.451.61.71.852.152.22.252.352.52.62.72.852.953.1]%公路面積（單位：萬0.110.140.20.230.230.320.320.340.360.360.380.490.560.59 0.590.67 0.690.79]%公路客運(yùn)量（單位：萬人）glkyl=[512662177730914510460113871235315750183041983621024194902043322598251073344236836405484292743462]公路貨運(yùn)量（單位：萬噸）glhyl=[123713791385139916631714183443228132893611099112031052411115133201676218673207242080321804];平方千米）Sqglmj=[0.090.11P=[sqrs;sqjdcs;sqglmj];%輸入數(shù)據(jù)矩陣t=[glky;glhyl];%目標(biāo)數(shù)據(jù)矩陣（1）原始數(shù)據(jù)的輸入，具體程序?yàn)?6（2）對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化，具體程序?yàn)?利用函數(shù)premnmx對數(shù)據(jù)歸一化[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%對于輸入矩陣p和輸出矩陣t進(jìn)行歸一化處理dx=[-1,1;-1,1;-1,1]%歸一化處理后最小值為-1，最大值為1（2）對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化，具體程序?yàn)?7(3）利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體程序?yàn)?BP網(wǎng)絡(luò)訓(xùn)練net=newff（dx，[3,7,2],{‘tansig’,‘tansig’,‘purelin’},‘traingdx’);%建立模型，并用梯度下降法%訓(xùn)練net.trainParam.show=1000;%1000步顯示一次結(jié)果net.trainParam.Lr=0.05;%學(xué)習(xí)速率為0.05net.trainParam.epochs=50000;%最大訓(xùn)練步數(shù)為50000次net.trainParam.goal=0.65*10(-3)(3）利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體程序?yàn)?8(4)利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?利用原始數(shù)據(jù)對BP網(wǎng)絡(luò)仿真an=sim（net，pn）；%用訓(xùn)練好的模型進(jìn)行仿真a=postmnmx（an，mint，maxt）；%把仿真得到的數(shù)據(jù)還原為原始的數(shù)量級(jí)(4)利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?9（5）用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試，具體程序?yàn)?本例因樣本容量有限使用訓(xùn)練數(shù)據(jù)進(jìn)行測試，通常必須用新鮮數(shù)據(jù)進(jìn)行測試x=1990:2009;newk=a(1,:);newh=a(2,:);figure(2);subplot(2,1,1);plot(x,newk,‘r-o’,x,glkyl,‘b--+);%繪值公路客運(yùn)量對比圖legend（‘網(wǎng)絡(luò)輸出客運(yùn)量’，‘實(shí)際客運(yùn)量‘）；xlabel（‘年份’）；ylabel（‘客運(yùn)量/萬人’）；title（‘運(yùn)用工具箱貨運(yùn)量學(xué)習(xí)和測試對比圖’）；%利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測（5）用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試，具體程序?yàn)?0（6）利用訓(xùn)練好的BP網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測%當(dāng)用訓(xùn)練好的網(wǎng)絡(luò)對新數(shù)據(jù)pnew進(jìn)行預(yù)測時(shí)，也應(yīng)作相應(yīng)的處理pnew=[73.3975.553.96354.09750.98801.0268];%2010年和2011年的相關(guān)數(shù)據(jù)pnew=tramnmx(pnew,minp,maxp);利用原始輸入數(shù)據(jù)的歸一化參數(shù)對新數(shù)據(jù)進(jìn)行歸一化anewn=sim(net,pnewn);%利用歸一化后的數(shù)據(jù)進(jìn)行仿真anew=postmnmx（anewn，mint，maxt）%把仿真得到的數(shù)據(jù)還原為原始的數(shù)據(jù)級(jí)（6）利用訓(xùn)練好的BP網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?1運(yùn)行這部分程序，可以得到anew的值為也就是說，2010年和2011年的公路客運(yùn)量分別為43790萬人和43785萬人，公路貨運(yùn)量分別為21704萬噸和21705萬噸。在使用程序時(shí)，只要把上面6個(gè)程序塊順序輸入到MATLAB的M文件中運(yùn)行即可。運(yùn)行這部分程序，可以得到anew的值為224、BP神經(jīng)網(wǎng)絡(luò)的適用領(lǐng)域BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性影射能力,從而具有很好的曲線擬合能力、優(yōu)化能力、預(yù)測能力和模式分類能力,被廣泛應(yīng)用于各領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)在建筑行業(yè)的應(yīng)用：對建設(shè)用地需求量進(jìn)行預(yù)測水泥擠壓強(qiáng)度分類、混凝土強(qiáng)度預(yù)測對建筑物的裂縫、破損程度進(jìn)行預(yù)測基于遺傳BP神經(jīng)網(wǎng)絡(luò)技術(shù)的大型公建能耗分析模型的研究與應(yīng)用基于BP神經(jīng)網(wǎng)絡(luò)的建筑企業(yè)信息化評價(jià)模型研究基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的城市軌道交通周邊房地產(chǎn)價(jià)格的組合預(yù)測方法基于BP神經(jīng)網(wǎng)絡(luò)的工程造價(jià)快速估算模型4、BP神經(jīng)網(wǎng)絡(luò)的適用領(lǐng)域BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性影射能235、BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)優(yōu)點(diǎn)：非線性映照能力：神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性連續(xù)函數(shù)。在建模過程中的許多問題正是具有高度的非線性。并行分布處理方式：在神經(jīng)網(wǎng)絡(luò)中信息是分布儲(chǔ)存和并行處理的，這使它具有很強(qiáng)的容錯(cuò)性和很快的處理速度。自學(xué)習(xí)和自適應(yīng)能力：神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識(shí)，記憶于網(wǎng)絡(luò)的權(quán)值中，并具有泛化能力，即將這組權(quán)值應(yīng)用于一般情形的能力。數(shù)據(jù)融合的能力：神經(jīng)網(wǎng)絡(luò)可以同時(shí)處理定量信息和定性信息，因此它可以利用數(shù)值運(yùn)算和人工智能技術(shù)（符號(hào)處理）。多變量系統(tǒng)：神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量的數(shù)目是任意的，對單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式，不必考慮各子系統(tǒng)間的解耦問題。5、BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)優(yōu)點(diǎn)：245、BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)缺點(diǎn)：1)

局部極小化問題2)

BP

神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢3)

BP

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇不一4)

應(yīng)用實(shí)例與網(wǎng)絡(luò)規(guī)模的矛盾問題

5)

預(yù)測能力和訓(xùn)練能力的矛盾問題6）

BP神經(jīng)網(wǎng)絡(luò)樣本依賴性問題5、BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)缺點(diǎn)：1)

局部極小化問題2)

B25Thankyou!Thankyou!26BP神經(jīng)網(wǎng)絡(luò)-課件27BP神經(jīng)網(wǎng)絡(luò)-課件281、引例1981年生物學(xué)家格若根（W．Grogan）和維什（W．Wirth）發(fā)現(xiàn)了兩類蚊子(或飛蠓midges)．他們測量了這兩類蚊子每個(gè)個(gè)體的翼長和觸角長，數(shù)據(jù)如下：翼長觸角長類別1.781.14Apf1.961.18Apf1.861.20Apf1.721.24Af2.001.26Apf2.001.28Apf1.961.30Apf1.741.36Af翼長觸角長類別1.641.38Af1.821.38Af1.901.38Af1.701.40Af1.821.48Af1.821.54Af2.081.56Af1、引例1981年生物學(xué)家格若根（W．Grogan）和維什291、引例問：如果抓到三只新的蚊子，它們的觸角長和翼長分別為(l.24,1.80);(l.28，1.84)；（1.40，2.04）．問它們應(yīng)分別屬于哪一個(gè)種類？(1.24，1.80)，(1.28，1.84)屬于Af類；(1.40，2.04）屬于Apf類．解法一：分類結(jié)果1、引例問：如果抓到三只新的蚊子，它們的觸角長和翼長分別為(301、引例Q1：根據(jù)什么原則確定分類直線？Q2：如下情形已經(jīng)不能用分類直線的辦法1、引例Q1：根據(jù)什么原則確定分類直線？Q2：如下情形已經(jīng)不31將問題看作一個(gè)系統(tǒng)，蚊子翼長、觸角長的數(shù)據(jù)作為輸入，蚊子的類型作為輸出，研究輸入與輸出的關(guān)系。新思路：1、引例新思路：1、引例322、BP神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)模型2、BP神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)332、BP神經(jīng)網(wǎng)絡(luò)原理BP算法BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，因使用反向傳播算法（BP算法）而得名。多層前饋網(wǎng)絡(luò)模型BP神經(jīng)網(wǎng)絡(luò)1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層2、BP神經(jīng)網(wǎng)絡(luò)原理BP算法BP(BackPropaga342、BP神經(jīng)網(wǎng)絡(luò)原理2、BP神經(jīng)網(wǎng)絡(luò)原理352、BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則其中：E為網(wǎng)絡(luò)輸出與實(shí)際輸出樣本之間的誤差平方和；

η為網(wǎng)絡(luò)的學(xué)習(xí)速率即權(quán)值調(diào)整幅度2、BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則其中：E為網(wǎng)絡(luò)輸出與36BP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)的使用步驟37BP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)MATLAB工具箱中提供的函數(shù)：

1、前向網(wǎng)絡(luò)創(chuàng)建函數(shù)：newcf、newff和newfftd

2、激勵(lì)函數(shù)：logsig、dlogsig、(S型對數(shù)式)tansig、dtansig、(正切函數(shù)式)purelin、dpurelin(線性函數(shù))

3、學(xué)習(xí)函數(shù)：learngd(梯度下降權(quán)值/閥值學(xué)習(xí)函數(shù))、learndm(梯度下降動(dòng)量函數(shù))

4、訓(xùn)練函數(shù)：trainbfg(BFGS準(zhǔn)牛頓BP算法)、traingd(梯度下降BP算法訓(xùn)練函數(shù))、traingdm(梯度下降動(dòng)量BP算法)等等

5、性能函數(shù)：mse(均方誤差性能函數(shù))、mseregBP神經(jīng)網(wǎng)絡(luò)的使用步驟BP神經(jīng)網(wǎng)絡(luò)MATLAB工具箱中提供的383、BP神經(jīng)網(wǎng)絡(luò)使用步驟基于MATLAB工具箱的使用步驟1、原始數(shù)據(jù)的輸入2、對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化3、利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練4、利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真5、用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試6、利用訓(xùn)練好的BP網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行仿真3、BP神經(jīng)網(wǎng)絡(luò)使用步驟基于MATLAB工具箱的使用步驟1、39根據(jù)相關(guān)部門數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為73.39和75.55萬人，機(jī)動(dòng)車數(shù)量分別為3.9635和4.0975萬輛，公路面積將分別為0.9880和1.0268萬平方千米。請利用BP網(wǎng)絡(luò)預(yù)測該地區(qū)2010年和2011年的公路客運(yùn)量和公路貨運(yùn)量。根據(jù)相關(guān)部門數(shù)據(jù)，該地區(qū)2010年和2011年的人數(shù)分別為740某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量/萬人機(jī)動(dòng)車數(shù)量/萬輛公路面積/萬平方千米公路客運(yùn)量/萬人公路貨運(yùn)量/萬噸199020.550.60.0951261237199122.440.750.1162171379199225.370.850.1177301385199327.130.900.1491451399199429.451.050.20104601663199530.11.350.23113871714199630.961.450.23123531834199734.061.600.32157504322199836.421.700.32183048132199938.091.850.34198368936200039.132.150.362102411099200139.992.200.361949011203200241.932.250.382043310524200344.592.350.492259811115200447.302.500.562510713320200552.892.600.593344216762200655.732.700.593683618673200756.762.850.674054820724200859.172.950.694292720803200960.633.100.794346221804某地區(qū)20年公路運(yùn)量數(shù)據(jù)年份人口數(shù)量/萬人機(jī)動(dòng)車數(shù)量/萬輛公41（1）原始數(shù)據(jù)的輸入，具體程序?yàn)閏lc%原始數(shù)據(jù)%人數(shù)（單位：萬人）sqrs=[20.5522.4425.3727.1329.4530.130.9634.0636.4238.0939.1339.9941.9344.59 47.352.8955.7356.7659.1760.63]%機(jī)動(dòng)車數(shù)（單位：萬輛）Sqjdcs=[0.60.750.850.91.051.351.451.61.71.852.152.22.252.352.52.62.72.852.953.1]%公路面積（單位：萬0.110.140.20.230.230.320.320.340.360.360.380.490.560.59 0.590.67 0.690.79]%公路客運(yùn)量（單位：萬人）glkyl=[512662177730914510460113871235315750183041983621024194902043322598251073344236836405484292743462]公路貨運(yùn)量（單位：萬噸）glhyl=[123713791385139916631714183443228132893611099112031052411115133201676218673207242080321804];平方千米）Sqglmj=[0.090.11P=[sqrs;sqjdcs;sqglmj];%輸入數(shù)據(jù)矩陣t=[glky;glhyl];%目標(biāo)數(shù)據(jù)矩陣（1）原始數(shù)據(jù)的輸入，具體程序?yàn)?2（2）對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化，具體程序?yàn)?利用函數(shù)premnmx對數(shù)據(jù)歸一化[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%對于輸入矩陣p和輸出矩陣t進(jìn)行歸一化處理dx=[-1,1;-1,1;-1,1]%歸一化處理后最小值為-1，最大值為1（2）對輸入數(shù)據(jù)矩陣和目標(biāo)矩陣的數(shù)據(jù)進(jìn)行歸一化，具體程序?yàn)?3(3）利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體程序?yàn)?BP網(wǎng)絡(luò)訓(xùn)練net=newff（dx，[3,7,2],{‘tansig’,‘tansig’,‘purelin’},‘traingdx’);%建立模型，并用梯度下降法%訓(xùn)練net.trainParam.show=1000;%1000步顯示一次結(jié)果net.trainParam.Lr=0.05;%學(xué)習(xí)速率為0.05net.trainParam.epochs=50000;%最大訓(xùn)練步數(shù)為50000次net.trainParam.goal=0.65*10(-3)(3）利用處理好的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體程序?yàn)?4(4)利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?利用原始數(shù)據(jù)對BP網(wǎng)絡(luò)仿真an=sim（net，pn）；%用訓(xùn)練好的模型進(jìn)行仿真a=postmnmx（an，mint，maxt）；%把仿真得到的數(shù)據(jù)還原為原始的數(shù)量級(jí)(4)利用訓(xùn)練好的BP網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?5（5）用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試，具體程序?yàn)?本例因樣本容量有限使用訓(xùn)練數(shù)據(jù)進(jìn)行測試，通常必須用新鮮數(shù)據(jù)進(jìn)行測試x=1990:2009;newk=a(1,:);newh=a(2,:);figure(2);subplot(2,1,1);plot(x,newk,‘r-o’,x,glkyl,‘b--+);%繪值公路客運(yùn)量對比圖legend（‘網(wǎng)絡(luò)輸出客運(yùn)量’，‘實(shí)際客運(yùn)量‘）；xlabel（‘年份’）；ylabel（‘客運(yùn)量/萬人’）；title（‘運(yùn)用工具箱貨運(yùn)量學(xué)習(xí)和測試對比圖’）；%利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測（5）用原始數(shù)據(jù)仿真的結(jié)果與已知數(shù)據(jù)進(jìn)行對比測試，具體程序?yàn)?6（6）利用訓(xùn)練好的BP網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行仿真，具體程序?yàn)?利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測%當(dāng)用訓(xùn)練好的網(wǎng)絡(luò)對新數(shù)據(jù)pnew進(jìn)行預(yù)測時(shí)，也應(yīng)作相應(yīng)的處理p