%清空环境变量 clc clear ％读取数据 a=xlsread（’F:\4。数据挖掘讲义—马景义\数据和程序\matlab\one—input.csv'）； b=xlsread（’F：\4.数据挖掘讲义—马景义\数据和程序\matlab\output。csv'); c=xlsread(’F:\4。数据挖掘讲义—马景义\数据和程序\matlab\c.csv'）; save data1。mat b save data2。mat a load data1 load data2 %节点个数 inputnum=42; hiddennum=8； outputnum=1； ％训练数据和预测数据 input_train=a（:,1：90)； input_test=a(:,91:137); output_train=b(:,1：90）; output_test=b(:,91：137); ％将训练样本输入输出数据归一化 ［inputn,inputps]=mapminmax（input_train）; [outputn,outputps］=mapminmax（output_train）; ％构建BP神经网络 net=newff(inputn,outputn,［20，12］，｛’tansig’,’purelin’}，'traingdx’）; net.trainParam.epochs=1000; net.trainParam。lr=0。01; net.trainParam.goal=0。00000001； ％BP神经网络训练 net=train(net,inputn,outputn); ％测试样本归一化 inputn_test=mapminmax（’apply'，input_test,inputps)； ％BP神经网络预测 an=sim(net，inputn_test)； %％网络得到数据反归一化 BPoutput=mapminmax(’reverse’，an，outputps)； d=BPoutput>c figure（1) ％plot（d，'：og’); scatter(1:(137—90)，d，'rx’); hold on； ％plot（output_test，'—*’)； scatter(1:(137—90）,output_test,’o'); legend（’预测输出’,’期望输出’,'fontsize’,12）； title（'BP网络预测输出'，'fontsize’,12）； xlabel（’样本’，'fontsize’,12)； xlabel（'优化前输出的误差’，’fontsize’，12); figure(2） error=d—output_test； plot（1：（137-90），error); xlabel('样本’,'fontsize'，12）; ylabel('优化前输出的误差’，’fontsize'，12)； ％save net net inputs outputs 本文来源：https://www.wddqw.com/doc/5a92b627874769eae009581b6bd97f192279bf3c.html