四、进行预测

  保存结果后，我们的工作区中出现了net，output，error(残差)。

现在我们就可以通过函数sim来进行预测，把要预测的10组数据的输入拿进来：

Predict_Y=zeros(10,1);                       % 初始化，提高运行速度
for i=1:10 % 有10行
    Predict_Y(i,1)=sim(net,Predict_X(i,:)'); % 这里注意需要转置
end
% 成功得到预测值

在命令行窗口输入以下命令调用查看输出值Y：

disp(Predict_Y)

五、后记

 关于所使用到的Excel、Matlab技巧和神经网络的相关技巧心得

1、关于快速选取Excel文件中的数据

 Ctrl+方向键：如“Ctrl+↑”是快速到达表格的最顶端。

 取消选择需保证当前位置是空单元格，按下快捷键Ctrl+D。

 Ctrl+Shift+方向键：如“Ctrl+Shift+→”是快速选取这一行的内容，“Ctrl+Shift+↓”是选取右下的内容。

2、将临时变量转换为mat文件保存

 我们知道，如果每次都输出X和Y相当浪费时间，因此我们可以用文件形式保存。在工作区手动右键删除掉不需要的变量后将其保存为mat文件：

文件会默认保存在当前文件夹下，这时我们用load命令就可以直接导入数据：

3、生成的神经网络的w和b在哪里找？

  还是先对数据进行训练：

 这里选择rows的原因是，完整的一行代表一组数据，输入和输出在同一行上。

数据集一般占比70%或80%

训练完成后，进入以上界面。其中，Validation Checks代表泛化性。

 需要注意的是，如果在训练过程中MSE(均方误差)不降反增，Validation Checks就自增1；当默认达到6次时，迭代终止。

 Epoch代表完成训练的次数，这里我们可以看到在第8次就完成了训练。

 当Performance和Gradient不再增加时，就代表完成了训练。

通过“Performance”我们可以看到：在第4次迭代时MSE最小，此时的MSE为0.70971。

 在这个函数中，我们可以看到b和w。

 由于隐藏层的个数是10，b1的个数就是10。

 由于一共有401个输入，那么IW_1的个数就是10*401。

4、如何生成预测值

 第一个方法是之前用过的sim仿真函数。

 第二个方法是使用我们生成的函数，但要注意把第二、三个参数删除(删掉选中部分)。

 随机生成一组数据验证一下(rand函数生成的值在[0,1]之间，这里只是举个例子)：

 用我们生成的函数也是可以进行预测的。

5、怎么预测多输入多输出问题？

  这里没有很好的数据，所以matlab自带的数据集来做演示：

在这个数据集中input是14 * 4208，output是3 * 4208。即3个输出，14个输入，一共有4208组；这时完整的一列代表一组数据，所以选择matrixcolumn。

因为工作区已经有我们刚刚生成的net，所以这里生成的是net1。

我们再随机生成一组数据来预测。由于这里B的列数等于输入向量的个数，因此无需再转置，最后得到的结果如ans所示：

B=rand(14,5);是5组数据的意思，每组数据14个输入，返回5组3个输出值。

6、资源获取(项目相关代码和光谱分析数据表格xlsx)

  项目相关代码和光谱分析数据表格xlsx如有需要，可私信我免费分享。希望这篇博文能帮助到你！