基于matlab的BP神经网络分类预测

1.神经网络结构

         本文网络结构如图1所示：

图1 网络结构

        图1给出的并不是单纯的bp神经网络结构这里设置了三个隐藏层，神经元个数分别为6，3，3，输入层12个特征输入，输出层输出4个类型结果。

2.代码

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集

columns=size(res, 2);
rows = size(res, 1);
temp = randperm(rows);
split_num=0.9;%训练集、测试集划分比例为9：1
% 确保 temp 中的索引在 1 到 size(res, 1) 的范围内  
P_train = res(temp(1: rows*split_num), 1: columns-1)';
T_train = res(temp(1: rows*split_num), columns)';
M = size(P_train, 2);

P_test = res(temp(rows*split_num: end), 1: columns-1)';
T_test = res(temp(rows*split_num: end), columns)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );

%%  建立模型
net=newff(p_train, t_train,[6,3,3],{'logsig','tansig','logsig','purelin'});

%%  设置训练参数
net.trainParam.epochs = 1000;   % 最大迭代次数
net.trainParam.goal = 1e-6;     % 目标训练误差
net.trainParam.lr = 0.01;       % 学习率

%%  训练网络
net = train(net, p_train, t_train);

%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%%  数据反归一化
T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);

%%  数据排序
[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );

T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);

%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%%  绘图
figure
plot(1: M, T_train, 'c-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {strcat('训练集预测结果对比：', ['准确率=' num2str(error1) '%'])};
title(string)
grid

figure
plot(1: N, T_test, 'y-*', 1: N, T_sim2, 'g-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {strcat('测试集预测结果对比：', ['准确率=' num2str(error2) '%'])};
title(string)
grid

%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

3.训练图

如图2、图3、图4分别为改进BP神经网络的训练图：

  图2 性能                                   图3 训练状态                                图4 回归  

根据图片中的信息，可以对BP神经网络的训练效果进行以下分析评价：

1. 性能：图2中提到“最佳验证性能是第10轮的0.017939”，0.017939的值相对较低，这表示该BP神经网络在验证集上取得了相对较好的性能。
2. 训练状态：从图3的训练状态图可以判断模型正在收敛，没有出现过拟合或欠拟合等问题。
3. 回归：由图4可以预测值与实际值之间接近，通过散点图、拟合线的形式显示模型的拟合效果。达到95%以上，可以判断BP神经网络在回归任务上的表现非常好。

4.分类预测结果

  图5 训练集预测结果                                          图6 测试集预测结果

图7 训练集混淆矩阵                                          图8 测试集混淆矩阵

        从图5、图6、图7、图8都看出来了模型预测能力不错，不过这是在数据量不大的情况下，对于大量数据可能效果会差很多，这时候可以考虑调整网络结构或者改用其他模型（简单机器学习模型可能效果会出乎意料得好）