【MATLAB第14期】#源码分享| 基于多层前馈神经网络的回归预测模型代码分享，多参数多图调整
一、前馈网络和BP网络的区别
1.前馈神经网络
一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，一直到输出层结束。前馈是指输出入方向是前向，此过程不调整权值。神经元之间不存在跨层连接、同层连接，输入层用于数据的输入，隐含层与输出层神经元对数据进行加工。
2.反向传播算法
（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。
3.BP神经网络：
也是前馈神经网络，只是它的参数权重值是由反向传播学习算法调整的。
4.总结：
前馈描述的是网络的结构，指的是网络的信息流是单向的，不会构成环路。它是和“递归网络”(RNN)相对的概念；BP算法是一类训练方法，可以应用于FFNN，也可以应用于RNN，而且BP也并不是唯一的训练方法，其他可用的还有比如遗传算法（GA）等。所以BP神经网络属
二、源码分享
close all; clear all; clc load data.mat; % 载入数据 net = feedforwardnet([10,10]); % 创建网络，n为隐藏层神经元个数 net.divideFcn = 'dividerand'; % 随机分配 net.divideMode = 'sample'; %分割每个样本 net.divideParam.trainRatio = 70/100; % 训练集分配比例 net.divideParam.valRatio = 30/100; % 预测集分配比例 net.divideParam.testRatio = 0/100; % 测试集分配比例 net.trainFcn = 'trainlm'; % LM net.performFcn = 'mse'; % MSE net.plotFcns = {'plotperform','plottrainstate','ploterrhist', 'plotregression'}; % 画图 net.trainParam.show = 5; net.trainParam.epochs = 10000; net.trainParam.goal = 1e-7; % 训练目标 net.trainParam.max_fail = 25; % 最大失败次数 25 inputs = inputs'; targets = targets'; % 训练网络 [net,tr] = train(net,inputs,targets) % 测试网络 outputs = net(inputs); errors = gsubtract(targets,outputs); performance = perform(net,targets,outputs) % 获得训练、验证和测试的结果 trainTargets = targets .* tr.trainMask{1}; valTargets = targets .* tr.valMask{1}; testTargets = targets .* tr.testMask{1}; trainPerformance = perform(net,trainTargets,outputs) valPerformance = perform(net,valTargets,outputs) testPerformance = perform(net,testTargets,outputs) % 根据画图的结果，决定是否满意 figure, plotperform(tr) figure, plottrainstate(tr) figure, plotconfusion(targets,outputs) figure, ploterrhist(errors)
三、数据获取
后台私聊，回复“14”即可免费获取下载链接。
