详细BP神经网络预测算法及实现过程实例

1.具体应用实例。根据表2，预测序号15的跳高成绩。

表2国内男子跳高运动员各项素质指标

4.4(序号15)跳高成绩预测

4.4.1数据整理

1）我们将前14组国内男子跳高运动员各项素质指标作为输入，即（30m行进跑，立定三级跳远，助跑摸高，助跑4-6步跳高，负重深蹲杠铃，杠铃半蹲系数，100m，抓举），将对应的跳高成绩作为输出。并用matlab自带的premnmx()函数将这些数据归一化处理。

数据集：（注意：每一列是一组输入训练集，行数代表输入层神经元个数，列数输入训练集组数）

P=[3.23.233.23.23.43.233.23.23.23.93.13.2;

9.610.3910.310.1109.699.69.29.599.59.7;

3.453.753.53.653.53.43.553.53.553.53.43.13.63.45;

2.152.22.22.222.152.142.12.12.12.1522.12.15;

14010150801301301001301401158090130;

2.83.43.52.81.53.23.51.83.52.52.82.22.74.6;

1110.911.410.811.311.511.811.311.81111.91311.110.85;

5070508050606540655050507070];

T=[2.242.332.242.322.22.272.22.262.22.242.242.22.22.35];

4.4.2模型建立

4.4.2.1BP网络模型

BP网络（Back-ProPagationNetwork）又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。

BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层，图2是m×k×n的三层BP网络模型，网络选用S型传递函数，通过反传误差函数（（Ti为期望输出、Oi为网络的计算输出），不断调节网络权值和阈值使误差函数E达到极小。

BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可以先用遗传算法对“BP网络”进行优化在解析空间找出较好的搜索空间，再用BP网络在较小的搜索空间内搜索最优解。

4.4.2.2模型求解

4.4.2.2.1网络结构设计

1)输入输出层的设计

该模型由每组数据的各项素质指标作为输入，以跳高成绩作为输出，所以输入层的节点数为8，输出层的节点数为1。

2)隐层设计

有关研究表明,有一个隐层的神经网络,只要隐节点足够多,就可以以任意精度逼近一个非线性函数。因此,本文采用含有一个隐层的三层多输入单输出的BP网络建立预测模型。在网络设计过程中,隐层神经元数的确定十分重要。隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题;神经元个数过少,则会影响网络性能,达不到预期效果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前,对于隐层中神经元数目的确定并没有明确的公式,只有一些经验公式,神经元个数的最终确定还是需要根据经验和多次实验来确定。本文在选取隐层神经元个数的问题上参照了以下的经验公式:

其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。

根据上式可以计算出神经元个数为4-13个之间，在本次实验中选择隐层神经元个数为6.

网络结构示意图如下：

4.4.2.2.2激励函数的选取

BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数。

4.4.2.2.3模型的实现

此次预测选用MATLAB中的神经网络工具箱进行网络的训练,预测模型的具体实现步骤如下:

将训练样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,隐层神经元数初设为6。设定网络参数。网络迭代次数epochs为5000次,期望误差goal为0.00000001,学习速率lr为0.01。设定完参数后,开始训练网络。

该网络通过24次重复学习达到期望误差后则完成学习。详细代码见附录。

网络训练完成后，只需要将各项素质指标输入网络即可得到预测数据。

预测结果为：2.20

matlab代码：

P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;140 120 140 150 80 130 130 100 130 140 115 80 90 130;2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;50 70 50 80 50 60 65 40 65 50 50 50 70 70];T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);%创建网络net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');%设置训练次数net.trainParam.epochs = 5000;%设置收敛误差net.trainParam.goal=0.0000001;%训练网络[net,tr]=train(net,p1,t1);TRAINLM, Epoch 0/5000, MSE 0.533351/1e-007, Gradient 18.9079/1e-010TRAINLM, Epoch 24/5000, MSE 8.81926e-008/1e-007, Gradient 0.0022922/1e-010TRAINLM, Performance goal met.%输入数据a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];%将输入数据归一化a=premnmx(a);%放入到网络输出数据b=sim(net,a);将得到的数据反归一化得到预测数据c=postmnmx(b,mint,maxt);cc =2.

扫描下方“二维码”回复“书籍”，获取30本“数据分析、python、Matlab、数据库、统计学”等经典书籍。

转自：/sallybin/p/3169572.html