基于MTALAB的BP神经网络数据读取代码

以下是基于MATLAB的BP神经网络数据读取代码示例：

% 读取数据
data = load('data.txt');
X = data(:, 1:end-1); % 特征矩阵
Y = data(:, end); % 目标变量

% 标准化数据
[X_norm, mu, sigma] = zscore(X);
Y_norm = (Y - mean(Y)) / std(Y);

% 划分训练集和测试集
[trainInd, valInd, testInd] = dividerand(size(X_norm, 1), 0.6, 0.2, 0.2);
X_train = X_norm(trainInd, :);
Y_train = Y_norm(trainInd, :);
X_val = X_norm(valInd, :);
Y_val = Y_norm(valInd, :);
X_test = X_norm(testInd, :);
Y_test = Y_norm(testInd, :);

% 构建BP神经网络模型
hiddenSize = 10; % 隐藏层神经元个数
net = feedforwardnet(hiddenSize);
net.trainFcn = 'traingd'; % 训练函数选择梯度下降
net.trainParam.epochs = 1000; % 最大训练次数
net.trainParam.lr = 0.01; % 学习率
net.trainParam.goal = 1e-5; % 训练目标误差

% 训练模型
[net, tr] = train(net, X_train', Y_train');

% 测试模型
Y_predict = net(X_test');
Y_predict = Y_predict * std(Y) + mean(Y); % 反标准化
Y_test = Y_test * std(Y) + mean(Y); % 反标准化
MSE = mean((Y_predict - Y_test).^2); % 均方误差

其中，`data.txt`是包含特征和目标变量的数据文件，每行是一个数据样本，最后一列为目标变量，其余列为特征。`zscore`函数用于标准化数据，`dividerand`函数用于划分训练集、验证集和测试集，`feedforwardnet`函数用于构建BP神经网络模型，`train`函数用于训练模型，`Y_predict`是模型在测试集上的预测结果，`MSE`是均方误差。