MATLAB 神经网络预测代码

以下是一个简单的MATLAB神经网络预测代码示例：
首先，我们需要准备训练数据和测试数据，并将它们分别存储在矩阵 train_data 和 test_data 中，每一行代表一个样本，每一列代表一个特征。我们还需要将训练数据和测试数据的标签分别存储在向量 train_labels 和 test_labels 中。
% 准备数据
train_data = ...
test_data = ...
train_labels = ...
test_labels = ...
登录后复制
然后，我们需要定义神经网络的结构和参数。这里我们使用一个单隐藏层的前馈神经网络，其中隐藏层有10个神经元。我们使用 sigmoid 激活函数，并设置学习率为0.1，最大迭代次数为1000次。
% 定义神经网络结构和参数
hidden_layers = 10; % 隐藏层神经元数
net = feedforwardnet(hidden_layers); % 创建前馈神经网络
net.trainFcn = 'trainlm'; % 使用 Levenberg-Marquardt 算法进行训练
net.trainParam.lr = 0.1; % 设置学习率为0.1
net.trainParam.epochs = 1000; % 设置最大迭代次数为1000
登录后复制
接下来，我们使用训练数据对神经网络进行训练。
% 训练神经网络
[net, tr] = train(net, train_data', train_labels');
登录后复制
最后，我们使用测试数据对神经网络进行预测，并计算预测结果与真实标签之间的误差。
% 预测并计算误差
predicted_labels = net(test_data');
mse = mean((test_labels - predicted_labels).^2);
登录后复制
完整的代码示例如下：
% 准备数据
train_data = ...
test_data = ...
train_labels = ...
test_labels = ...

% 定义神经网络结构和参数
hidden_layers = 10; % 隐藏层神经元数
net = feedforwardnet(hidden_layers); % 创建前馈神经网络
net.trainFcn = 'trainlm'; % 使用 Levenberg-Marquardt 算法进行训练
net.trainParam.lr = 0.1; % 设置学习率为0.1
net.trainParam.epochs = 1000; % 设置最大迭代次数为1000

% 训练神经网络
[net, tr] = train(net, train_data', train_labels');

% 预测并计算误差
predicted_labels = net(test_data');
mse = mean((test_labels - predicted_labels).^2);
登录后复制