【Elman回归预测】基于Elman神经网络实现数据回归预测附MATLAB代码

%% Elman神经网络预测%% 1.初始化clearclose allclcformat short %精确到小数点后4位，format long是精确到小数点后15位%% 2.读取读取data=xlsread('数据.xlsx'); %% Matlab2021版本以上无法使用xlsread函数，可用Load函数替代  % 设置神经网络的输入和输出input=data(:,1:end-1);    %第1列至倒数第2列为输入output=data(:,end);       %最后1列为输出N=length(output);         %计算样本数量%% 3.设置训练集和测试集%（1）随机选取测试样本k=rand(1,N);[m,n]=sort(k);testNum=50;              %设定测试集样本数量 ！仅需修改这里trainNum=N-testNum;       %设定训练集样本数量input_train = input(n(1:trainNum),:)';                   % 训练集输入output_train =output(n(1:trainNum))';                    % 训练集输出input_test =input(n(trainNum+1:trainNum+testNum),:)';    % 测试集输入output_test =output(n(trainNum+1:trainNum+testNum))';    % 测试集输出%（2）从数据后面选取测试样本%testNum=50;              %设定测试集样本数量 %trainNum=N-testNum;       %设定训练集样本数量%input_train = input(1:trainNum,:)';                   % 训练集输入%output_train =output(1:trainNum)';                    % 训练集输出%input_test =input(trainNum+1:trainNum+testNum,:)';    % 测试集输入%output_test =output(trainNum+1:trainNum+testNum)';    % 测试集输出%% 4.数据归一化[inputn,inputps]=mapminmax(input_train,0,1);         % 训练集输入归一化到[0,1]之间[outputn,outputps]=mapminmax(output_train);          % 训练集输出归一化到默认区间[-1, 1]inputn_test=mapminmax('apply',input_test,inputps);   % 测试集输入采用和训练集输入相同的归一化方式%% 5.求解最佳隐含层inputnum=size(input,2);   %size用来求取矩阵的行数和列数，1代表行数，2代表列数outputnum=size(output,2);disp(['输入层节点数：',num2str(inputnum),',  输出层节点数：',num2str(outputnum)])disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])disp(' ')disp('最佳隐含层节点的确定...')%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数MSE=1e+5;                             %误差初始化transform_func={'tansig','purelin'};  %激活函数采用tan-sigmoid和purelintrain_func='trainlm';                 %训练算法for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10        net=newelm(inputn,outputn,hiddennum,transform_func,train_func); %构建Elman网络        % 设置网络参数    net.trainParam.epochs=1000;         % 设置训练次数    net.trainParam.lr=0.01;             % 设置学习速率    net.trainParam.goal=0.000001;       % 设置训练目标最小误差        % 进行网络训练    net=train(net,inputn,outputn);    an0=sim(net,inputn);      %仿真结果    mse0=mse(outputn,an0);    %仿真的均方误差    disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])        %不断更新最佳的隐含层节点    if mse0<MSE        MSE=mse0;        hiddennum_best=hiddennum;    endenddisp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])%% 6.构建最佳隐含层的Elman神经网络net=newelm(inputn,outputn,hiddennum_best,transform_func,train_func);% 网络参数net.trainParam.epochs=1000;          % 训练次数net.trainParam.lr=0.01;              % 学习速率net.trainParam.goal=0.000001;        % 训练目标最小误差%% 7.网络训练net=train(net,inputn,outputn);       % train函数用于训练神经网络，调用蓝色仿真界面%% 8.网络测试an=sim(net,inputn_test);                     %训练完成的模型进行仿真测试test_simu=mapminmax('reverse',an,outputps);  %测试结果反归一化error=test_simu-output_test;                 %测试值和真实值的误差%% 9.结果输出% Elman预测值和实际值的对比图figureplot(output_test,'bo-','linewidth',1.5)hold onplot(test_simu,'rs-','linewidth',1.5)legend('实际值','预测值')xlabel('测试样本'),ylabel('指标值')title('Elman预测值和实际值的对比')set(gca,'fontsize',12)% Elamn测试集的预测误差图figureplot(error,'bo-','linewidth',1.5)xlabel('测试样本'),ylabel('预测误差')title('Elman神经网络测试集的预测误差')set(gca,'fontsize',12)figure;plotregression(output_test,test_simu,['Elman回归图']);figure;ploterrhist(test_simu-output_test,['Elman误差直方图']);%计算各项误差参数  [~,len]=size(output_test);             % len获取测试样本个数，数值等于testNum，用于求各指标平均值SSE1=sum(error.^2);                    % 误差平方和MAE1=sum(abs(error))/len;              % 平均绝对误差MSE1=error*error'/len;                 % 均方误差RMSE1=MSE1^(1/2);                      % 均方根误差MAPE1=mean(abs(error./output_test));   % 平均百分比误差r=corrcoef(output_test,test_simu);     % corrcoef计算相关系数矩阵，包括自相关和互相关系数R1=r(1,2);    % 显示各指标结果disp(' ')disp('各项误差指标结果：')disp(['误差平方和SSE为：',num2str(SSE1)])disp(['平均绝对误差MAE为：',num2str(MAE1)])disp(['均方误差MSE为：',num2str(MSE1)])disp(['均方根误差RMSE为：',num2str(RMSE1)])disp(['平均百分比误差MAPE为：',num2str(MAPE1*100),'%'])disp(['预测准确率为：',num2str(100-MAPE1*100),'%'])disp(['相关系数R为：',num2str(R1)])% 工作区中% output_test代表测试集% test_simu代表BP预测值% error代表误差