BP神经网络预测代码

《BP神经网络预测代码》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、x=[54167   55196   56300   57482   58796   60266   61465   62828   64653   65994   67207   66207   65859   67295   69172   70499   72538   74542   76368   78534   80671   82992   85229   87177   89211    90859    92420    93717    94974    96259    97542    98705   100072   101654

2、   103008   104357   105851   107507   109300   111026   112704   114333   115823   117171   118517   119850   121121   122389   123626   124761   125786   126743   127627   128453   129227   129988   130756   131448   132129   132802   134480   135030   135770   136460   137510]'

3、;%该脚本用来做NAR神经网络预测%作者：Macer程lag=3;   %自回归阶数iinput=x;%x为原始序列（行向量）n=length(iinput);%准备输入和输出数据inputs=zeros(lag,n-lag);fori=1:n-lag   inputs(:,i)=iinput(i:i+lag-1)';endtargets=x(lag+1:end);%创建网络hiddenLayerSize=10;%隐藏层神经元个数net=fitnet(hiddenLayerSize);%避免过拟合，划分训练，测试和验证数据的比例net.dividePara

4、m.trainRatio=70/100;net.divideParam.valRatio=15/100;net.divideParam.testRatio=15/100;%训练网络[net,tr]=train(net,inputs,targets);%%根据图表判断拟合好坏yn=net(inputs);errors=targets-yn;figure,ploterrcorr(errors)                     %绘制误差的自相关情况（20lags）figure,parcorr(errors)                       

5、  %绘制偏相关情况%[h,pValue,stat,cValue]=lbqtest(errors)        %Ljung－BoxQ检验（20lags）figure,plotresponse(con2seq(targets),con2seq(yn))%看预测的趋势与原趋势%figure,ploterrhist(errors)                     %误差直方图%figure,plotperform(tr)                         %误差下降线%%下面预测往后预测几个时间段fn=7; %预测步数为fn。f_in=

6、iinput(n-lag+1:end)';f_out=zeros(1,fn); %预测输出%多步预测时，用下面的循环将网络输出重新输入fori=1:fn   f_out(i)=net(f_in);   f_in=[f_in(2:end);f_out(i)];end%画出预测图figure,plot(1949:2013,iinput,'b',2013:2020,[iinput(end),f_out],'r')