bp數據來源？
BP神經網絡數據預測
1目的：利用BP神經網絡進行數據預測。
2 特點
3 原理
人工神經元模型4 算法
5 流程
6 源代碼
clear; clc;
TestSamNum = 20; % 學習樣本數量
ForcastSamNum = 2; % 預測樣本數量
HiddenUnitNum=8; % 隱含層
InDim = 3; % 輸入層
OutDim = 2; % 輸出層
% 原始數據
% 人數(單位：萬人)
sqrs = [20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 ...
41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
% 機動車數(單位：萬輛)
sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6...
2.7 2.85 2.95 3.1];
% 公路面積(單位：萬平方公里)
sqglmj = [0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 ...
0.56 0.59 0.59 0.67 0.69 0.79];
% 公路客運量(單位：萬人)
glkyl = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 ...
22598 25107 33442 36836 40548 4292743462];
% 公路貨運量(單位：萬噸)
glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 ...
13320 16762 18673 20724 20803 21804];
p = [sqrs; sqjdcs; sqglmj]; % 輸入數據矩陣
t = [glkyl; glhyl]; % 目標數據矩陣
[SamIn, minp, maxp, tn, mint, maxt] = premnmx(p, t); % 原始樣本對（輸入和輸出）初始化
SamOut = tn; % 輸出樣本
MaxEpochs = 50000; % 最大訓練次數
lr = 0.05; % 學習率
E0 = 1e-3; % 目標誤差
rng('default');
W1 = rand(HiddenUnitNum, InDim); % 初始化輸入層與隱含層之間的權值
B1 = rand(HiddenUnitNum, 1); % 初始化輸入層與隱含層之間的閾值
W2 = rand(OutDim, HiddenUnitNum); % 初始化輸出層與隱含層之間的權值
B2 = rand(OutDim, 1); % 初始化輸出層與隱含層之間的閾值
ErrHistory = zeros(MaxEpochs, 1);
for i = 1 : MaxEpochs
HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隱含層網絡輸出
NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 輸出層網絡輸出
Error = SamOut - NetworkOut; % 實際輸出與網絡輸出之差
SSE = sumsqr(Error); % 能量函數（誤差平方和）
ErrHistory(i) = SSE;
if SSE < E0
break;
end
% 以下六行是BP網絡最核心的程序
% 權值（閾值）依據能量函數負梯度下降原理所作的每一步動態調整量
Delta2 = Error;
Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut);
dW2 = Delta2 * HiddenOut';
dB2 = Delta2 * ones(TestSamNum, 1);
dW1 = Delta1 * SamIn';
dB1 = Delta1 * ones(TestSamNum, 1);
% 對輸出層與隱含層之間的權值和閾值進行修正
W2 = W2 + lr*dW2;
B2 = B2 + lr*dB2;
% 對輸入層與隱含層之間的權值和閾值進行修正
W1 = W1 + lr*dW1;
B1 = B1 + lr*dB1;
end
HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隱含層輸出最終結果
NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 輸出層輸出最終結果
a = postmnmx(NetworkOut, mint, maxt); % 還原網絡輸出層的結果
x = 1990 : 2009; % 時間軸刻度
newk = a(1, :); % 網絡輸出客運量
newh = a(2, :); % 網絡輸出貨運量
subplot(2, 1, 1);
plot(x, newk, 'r-o', x, glkyl, 'b--+');
legend('網絡輸出客運量', '實際客運量');
xlabel('年份');
ylabel('客運量/萬人');
subplot(2, 1, 2);
plot(x, newh, 'r-o', x, glhyl, 'b--+');
legend('網絡輸出貨運量', '實際貨運量');
xlabel('年份');
ylabel('貨運量/萬噸');
% 利用訓練好的網絡進行預測
pnew=[73.39 75.55
3.9635 4.0975
0.9880 1.0268]; % 2010年和2011年的相關數據；
pnewn = tramnmx(pnew, minp, maxp);
HiddenOut = logsig(W1*pnewn + repmat(B1, 1, ForcastSamNum)); % 隱含層輸出預測結果
anewn = W2*HiddenOut + repmat(B2, 1, ForcastSamNum); % 輸出層輸出預測結果
anew = postmnmx(anewn, mint, maxt);
disp('預測值d：');
disp(anew);