bp神经网络预测模型py

以下是使用Python编写BP神经网络预测模型的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义激活函数 sigmoid
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义 BP 神经网络类
class BPNN:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重和偏置
        self.W1 = np.random.randn(input_size, hidden_size)
        self.b1 = np.random.randn(hidden_size)
        self.W2 = np.random.randn(hidden_size, output_size)
        self.b2 = np.random.randn(output_size)
        
    # 前向传播
    def forward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.y_hat = self.z2
        
    # 反向传播
    def backward(self, X, y, lr):
        delta3 = self.y_hat - y
        dW2 = np.dot(self.a1.T, delta3)
        db2 = np.sum(delta3, axis=0)
        delta2 = np.dot(delta3, self.W2.T) * sigmoid(self.z1) * (1 - sigmoid(self.z1))
        dW1 = np.dot(X.T, delta2)
        db1 = np.sum(delta2, axis=0)
        
        # 更新权重和偏置
        self.W2 -= lr * dW2
        self.b2 -= lr * db2
        self.W1 -= lr * dW1
        self.b1 -= lr * db1
        
    # 训练模型
    def train(self, X, y, lr, epochs):
        self.loss = []
        for i in range(epochs):
            self.forward(X)
            loss = np.mean((self.y_hat - y) ** 2)
            self.loss.append(loss)
            self.backward(X, y, lr)
            if i % 1000 == 0:
                print("Epoch:", i, "Loss:", loss)
                
    # 预测
    def predict(self, X):
        self.forward(X)
        return self.y_hat

# 生成数据
X = np.linspace(0, 10, 100).reshape(-1, 1)
y = np.sin(X)

# 实例化 BPNN 类
model = BPNN(input_size=1, hidden_size=10, output_size=1)

# 训练模型
model.train(X, y, lr=0.01, epochs=10000)

# 可视化损失函数
plt.plot(model.loss)
plt.title("Loss")
plt.show()

# 预测新数据
X_new = np.linspace(0, 10, 100).reshape(-1, 1)
y_pred = model.predict(X_new)

# 可视化预测结果
plt.plot(X, y, label="True")
plt.plot(X_new, y_pred, label="Predicted")
plt.legend()
plt.show()

在此示例中，我们使用BP神经网络来预测一个正弦函数。我们首先生成一些正弦函数的数据，然后使用BP神经网络来拟合这些数据。最后，我们使用训练好的模型对新数据进行预测，并可视化真实值和预测值之间的比较。