MATLAB实战：BP神经网络预测模型从零构建与调优指南

1次阅读

共计 2267 个字符，预计需要花费 6 分钟才能阅读完成。

BP 神经网络（Back Propagation Neural Network）是一种多层前馈神经网络，通过误差反向传播算法调整权重和阈值。它的核心优势在于：

强大的非线性拟合能力：能逼近任意复杂函数关系
自适应学习特性：通过训练自动调整参数，无需人工设定规则
容错性强：即使部分神经元失效仍能保持较好性能

在预测任务中特别适合处理：
1. 输入输出关系不明确的复杂系统
2. 存在噪声和不完整数据的情况
3. 需要同时考虑多个影响因素的场景

确认已安装 Neural Network Toolbox：
```
ver('nnet')
```
如需安装，通过 Add-Ons 搜索安装（需 MATLAB R2018b 及以上版本）
推荐配合 Parallel Computing Toolbox 加速训练

% Min-Max 归一化（推荐用于 Sigmoid 激活函数）[normalizedData, ps] = mapminmax(rawData, 0, 1); 

% Z-score 标准化（推荐用于 Tanh 激活函数）[normalizedData, mu, sigma] = zscore(rawData);

训练集：70%
验证集：15%
测试集：15%

[trainInd, valInd, testInd] = dividerand(totalSamples, 0.7, 0.15, 0.15);

单隐藏层通常足够（Universal Approximator Theorem）

节点数经验公式：

N_h = sqrt(N_in + N_out) + α（α 通常取 5 -10）

可通过试错法确定最优节点数

隐藏层：
tanh（梯度消失问题较轻）
ReLU（训练速度快，需注意死亡神经元）
输出层：
回归任务：线性函数
分类任务：sigmoid/softmax

net = feedforwardnet([10 5]);  % 两个隐藏层（10 和 5 个节点）net.trainFcn = 'trainlm';      % Levenberg-Marquardt 算法（适合中小数据集）net.trainParam.epochs = 1000;  % 最大迭代次数
net.trainParam.goal = 1e-5;    % 目标误差
net.divideFcn = 'dividerand';  % 数据划分方式

% 步骤 1：加载数据
load('housing.mat');  % 包含 price, area, rooms 等特征
inputs = [area; rooms; age]';  % 转置为样本×特征
outputs = price';

% 步骤 2：数据标准化
[inputsNorm, inputPS] = mapminmax(inputs');
[outputsNorm, outputPS] = mapminmax(outputs');
inputsNorm = inputsNorm';
outputsNorm = outputsNorm';

% 步骤 3：创建网络
net = feedforwardnet(8);  % 单隐藏层 8 个节点
net.layers{1}.transferFcn = 'tansig';
net.layers{2}.transferFcn = 'purelin';

% 步骤 4：训练设置
net.trainParam.showWindow = true;  % 显示训练窗口
net.performFcn = 'mse';           % 使用均方误差

% 步骤 5：训练网络
[net, tr] = train(net, inputsNorm', outputsNorm');

% 步骤 6：测试预测
testInputs = inputsNorm(tr.testInd,:);
testOutputs = sim(net, testInputs');

% 步骤 7：反归一化
predicted = mapminmax('reverse', testOutputs, outputPS);
actual = mapminmax('reverse', outputsNorm(tr.testInd)', outputPS);

% 步骤 8：评估
mse = mean((predicted - actual).^2);
R = corrcoef(predicted, actual);
R2 = R(1,2)^2;