// purpose is to study the genetic algorithm optimization algorithm, ant colony algorithm based on BP neural network add on to optimize the network, this is something.
First a quick look at the MATLAB neural network toolbox, toolbox function is very powerful, it can already fitted a lot of curve analyzes.
Neural Network Toolbox selection (four kinds)
Today downloaded a running example that comes to try
the option to hide the number of neurons
after training can view the various charts in the plot, here only do a brief introduction to the operation Toolbox
In the most recent study how to predict the number of sales, in the online search a bit and found a lot of models to predict, such as the use regression model, time series model, GM (1,1) model, but their actual work in content, it was found that several models prediction accuracy is not very high, so then searches the Internet, found neural network model can be predicted, and there are many time series or a combination of SVM (support vector machine) or the like combined model for prediction, in this paper, the actual data, select commonly used BP neural network algorithm, algorithm theory, because the Internet a lot, so this does not have to 11 show, with reference to the bp neural network traffic forecasts Matlab source code this blog, use matlab 2016a, gives the following code, and ultimately prediction
clc clear all close all %bp 神经网络的预测代码 %载入输出和输入数据 load C:\Users\amzon\Desktop\p.txt; load C:\Users\amzon\Desktop\t.txt; %保存数据到matlab的工作路径里面 save p.mat; save t.mat;%注意t必须为行向量 %赋值给输出p和输入t p=p; t=t; %数据的归一化处理，利用mapminmax函数，使数值归一化到[-1.1]之间 %该函数使用方法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输入， %ymin，ymax为需归化到的范围，不填默认为归化到[-1,1] %返回归化后的值y，以及参数ps，ps在结果反归一化中，需要调用 [p1,ps]=mapminmax(p); [t1,ts]=mapminmax(t); %确定训练数据，测试数据,一般是随机的从样本中选取70%的数据作为训练数据 %15%的数据作为测试数据，一般是使用函数dividerand，其一般的使用方法如下： %[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio) [trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15); [trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15); %建立反向传播算法的BP神经网络，使用newff函数，其一般的使用方法如下 %net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,'反向传播的训练函数'),其中p为输入数据，t为输出数据 %tf为神经网络的传输函数，默认为'tansig'函数为隐层的传输函数， %purelin函数为输出层的传输函数 %一般在这里还有其他的传输的函数一般的如下，如果预测出来的效果不是很好，可以调节 %TF1 = 'tansig';TF2 = 'logsig'; %TF1 = 'logsig';TF2 = 'purelin'; %TF1 = 'logsig';TF2 = 'logsig'; %TF1 = 'purelin';TF2 = 'purelin'; TF1='tansig';TF2='purelin'; net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建 %网络参数的设置 net.trainParam.epochs=10000;%训练次数设置 net.trainParam.goal=1e-7;%训练目标设置 net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛 net.trainParam.mc=0.9;%动量因子的设置，默认为0.9 net.trainParam.show=25;%显示的间隔次数 % 指定训练参数 % net.trainFcn = 'traingd'; % 梯度下降算法 % net.trainFcn = 'traingdm'; % 动量梯度下降算法 % net.trainFcn = 'traingda'; % 变学习率梯度下降算法 % net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法 % (大型网络的首选算法) % net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小 % 共轭梯度算法 % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法 % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大 % net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大 % (大型网络的首选算法) %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多 % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快 % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大 % (中型网络的首选算法) %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快 % net.trainFcn = 'trainbr'; % 贝叶斯正则化算法 % 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm' %在这里一般是选取'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法 net.trainFcn='trainlm'; [net,tr]=train(net,trainsample.p,trainsample.t); %计算仿真，其一般用sim函数 [normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果 [normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果 [normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果 %将所得的结果进行反归一化，得到其拟合的数据 trainoutput=mapminmax('reverse',normtrainoutput,ts); validateoutput=mapminmax('reverse',normvalidateoutput,ts); testoutput=mapminmax('reverse',normtestoutput,ts); %正常输入的数据的反归一化的处理，得到其正式值 trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据 validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据 testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据 %做预测，输入要预测的数据pnew pnew=[313,256,239]'; pnewn=mapminmax(pnew); anewn=sim(net,pnewn); anew=mapminmax('reverse',anewn,ts); %绝对误差的计算 errors=trainvalue-trainoutput; %plotregression拟合图 figure,plotregression(trainvalue,trainoutput) %误差图 figure,plot(1:length(errors),errors,'-b') title('误差变化图') %误差值的正态性的检验 figure,hist(errors);%频数直方图 figure,normplot(errors);%Q-Q图 [muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间 [h1,sig,ci]= ttest(errors,muhat);%假设检验 figure, ploterrcorr(errors);%绘制误差的自相关图 figure, parcorr(errors);%绘制偏相关图
运行之后的，结果如下：
BP神经网络的结果分析图
训练数据的梯度和均方误差之间的关系图
验证数据的梯度与学习次数
残差的正态的检验图（Q-Q图）
在网上，发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下：
1：在输入命令里面输入nntool命令，或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序，点击打开，就能看见如下界面
2：输入数据和输出数据的导入（在本文中选取了matlab自带的案例数据）
3：随机选择三种类型的数据所占的样本量的比例，一般选取默认即可
4：隐层神经元的确定
5：训练算法的选取，一般是选择默认即可，选择完成后点击<train>按钮即可运行程序
6：根据得到的结果，一般是MSE的值越小，R值越接近1，其训练的效果比较，并第二张图给出了神经网络的各参数的设置以及其最终的结果，其拟合图R越接近1，模型拟合的更好
最终的结果图
7：如果所得到的模型不能满足你的需求，则需重复上述的步骤直至能够得到你想要的精确度
8：将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值
最后参考了网上和MATLAB的帮助，给出了一些与神经网络相关的函数，希望能够帮助大家。。
图形用户界面功能。
nnstart - 神经网络启动GUI
nctool - 神经网络分类工具
nftool - 神经网络的拟合工具
nntraintool - 神经网络的训练工具
nprtool - 神经网络模式识别工具
ntstool - NFTool神经网络时间序列的工具
nntool - 神经网络工具箱的图形用户界面。
查看 - 查看一个神经网络。
网络的建立功能。
cascadeforwardnet - 串级，前馈神经网络。
competlayer - 竞争神经层。
distdelaynet - 分布时滞的神经网络。
elmannet - Elman神经网络。
feedforwardnet - 前馈神经网络。
fitnet - 函数拟合神经网络。
layrecnet - 分层递归神经网络。
linearlayer - 线性神经层。
lvqnet - 学习矢量量化（LVQ）神经网络。
narnet - 非线性自结合的时间序列网络。
narxnet - 非线性自结合的时间序列与外部输入网络。
newgrnn - 设计一个广义回归神经网络。
newhop - 建立经常性的Hopfield网络。
newlind - 设计一个线性层。
newpnn - 设计概率神经网络。
newrb - 径向基网络设计。
newrbe - 设计一个确切的径向基网络。
patternnet - 神经网络模式识别。
感知 - 感知。
selforgmap - 自组织特征映射。
timedelaynet - 时滞神经网络。
利用网络。
网络 - 创建一个自定义神经网络。
SIM卡 - 模拟一个神经网络。
初始化 - 初始化一个神经网络。
适应 - 允许一个神经网络来适应。
火车 - 火车的神经网络。
DISP键 - 显示一个神经网络的属性。
显示 - 显示的名称和神经网络属性
adddelay - 添加延迟神经网络的反应。
closeloop - 神经网络的开放反馈转换到关闭反馈回路。
formwb - 表格偏见和成单个向量的权重。
getwb - 将它作为一个单一向量中的所有网络权值和偏差。
noloop - 删除神经网络的开放和关闭反馈回路。
开环 - 转换神经网络反馈，打开封闭的反馈循环。
removedelay - 删除延迟神经网络的反应。
separatewb - 独立的偏见和重量/偏置向量的权重。
setwb - 将所有与单个矢量网络权值和偏差。
Simulink的支持。
gensim - 生成Simulink模块来模拟神经网络。
setsiminit - 集神经网络的Simulink模块的初始条件
getsiminit - 获取神经网络Simulink模块的初始条件
神经元 - 神经网络Simulink的模块库。
培训职能。
trainb - 批具有重量与偏见学习规则的培训。
trainbfg - 的BFGS拟牛顿倒传递。
trainbr - 贝叶斯规则的BP算法。
trainbu - 与重量与偏见一批无监督学习规则的培训。
trainbuwb - 与体重无监督学习规则与偏见一批培训。
trainc - 循环顺序重量/偏见的培训。
traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。
traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。
traincgp - 共轭波拉克- Ribiere更新梯度反向传播。
traingd - 梯度下降反向传播。
traingda - 具有自适应LR的反向传播梯度下降。
traingdm - 与动量梯度下降。
traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。
trainlm - 采用Levenberg -马奎德倒传递。
trainoss - 一步割线倒传递。
trainr - 随机重量/偏见的培训。
trainrp - RPROP反向传播。
trainru - 无监督随机重量/偏见的培训。
火车 - 顺序重量/偏见的培训。
trainscg - 规模化共轭梯度BP算法。
绘图功能。
plotconfusion - 图分类混淆矩阵。
ploterrcorr - 误差自相关时间序列图。
ploterrhist - 绘制误差直方图。
plotfit - 绘图功能适合。
plotinerrcorr - 图输入错误的时间序列的互相关。
plotperform - 小区网络性能。
plotregression - 线性回归情节。
plotresponse - 动态网络图的时间序列响应。
plotroc - 绘制受试者工作特征。
plotsomhits - 小区自组织图来样打。
plotsomnc - 小区自组织映射邻居的连接。
plotsomnd - 小区自组织映射邻居的距离。
plotsomplanes - 小区自组织映射重量的飞机。
plotsompos - 小区自组织映射重量立场。
plotsomtop - cell self-organizing map of the topology.
plottrainstate - plot training status value.
plotwb - Hinton FIG weight deviation and FIG.
Other features are listed in the neural network.
nnadapt - adaptation functions.
nnderivati ve - derived functions.
nndistance - distance function.
nndivision - in addition to the function.
nninitlayer - initializing layer function.
nninitnetwork - initialize the network function.
nninitweight - right initialization function.
nnlearn - learning function.
nnnetinput - net input function.
nnperformance - functional performance.
nnprocess - processing functions.
nnsearch - line search function.
nntopology - functional topology.
nntransfer - transfer function.
nnweight - weight function.
nndemos - demonstrations Neural Network Toolbox.
nndatasets - Neural Network Toolbox dataset.
nntextdemos - demonstrations neural network design textbooks.
nntextbook - Information neural network design textbooks.