提供一个Matlab的BP神经网络的基础资料（继续）
第四节内容：bp神经网络进行交通预测的Matlab例子及源代码，bp神经网络进行交通预测的Matlab程序的优化（主要是按设置误差要求，寻找最优网络过程）
根据前面三节的学习内容，可以基本编写一个BP神经网络，来处理一些问题了。
下面我给出一个bp神经网络进行交通预测的Matlab源代码，里面备有较为详细的注释，供给初学者！
正常数据，是用来正常训练用
变量数据，主要目的是防止训练中出现过拟合状态
测试数据，是用来看训练效果的
根据前面三节的学习内容，可以基本编写一个BP神经网络，来处理一些问题了。
下面我给出一个bp神经网络进行交通预测的Matlab源代码，里面备有较为详细的注释，供给初学者！
复制内容到剪贴板
运行后的结果如下图，注意该程序是在7.0版本上实验的，没法在6.5版本运行，因为6.5版本的归一化函数被遗弃了；在7.6以上版本没有没法运行，因为newff函数参数形式改变了。但是只要将上面提到部分相应修改下，就可以运行了代码:
%bp神经网络进行交通预测的Matlab源代码
% BP 神经网络用于预测
% 使用平台 - Matlab7.0
% 数据为1986年到2000年的交通量 ，网络为3输入，1输出
% 15组数据，其中9组为正常训练数据，3组为变量数据，3组为测试数据
%by akjuan
%all rights preserved by www.4math.cn
%2008.11
clc
clear
%---------------------------------------------------
%原始数据
%---------------------------------------------------
year=1986:2000;%数据是从1986到2000年的
p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;...
378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;...
527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]\';%输入数据，共15组，每组3个输入
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];%输出数据，共15组，每组1个输出
%---------------------------------------------------
%数据归一化处理
%mapminmax函数默认将数据归一化到[-1,1]，调用形式如下
%[y,ps] =%mapminmax(x,ymin,ymax)
%x需归化的数据输入
%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]
%y归一化后的样本数据
%ps处理设置，ps主要在结果反归一化中需要调用，或者使用同样的settings归一化另外一组数据
%---------------------------------------------------
[normInput,ps] = mapminmax(p);
[normTarget,ts] = mapminmax(t);
%---------------------------------------------------
%数据乱序，及分类处理
%将输入的15组数据的20%，即3组，用来作为测试数据；
% 样本的20%，即3组，用来作为变化数据；
%另外9组用来正常输入，用来训练；
%dividevec()用来重新随机抽取上述三种分类的数据，原来的顺序被打乱
%函数调用的语法
%[trainV,valV,testV] = dividevec(p,t,valPercent,testPercent)
%输入p为输入数据，t为输出数据
%valPercent为训练用的变化数据在总输入中的百分比
%testPercent为训练用的测试数据在总输入中的百分比
%输出trainV,valV,testV分别为按乱序及相应百分比，抽取得到的数据
%另外，打乱后的数据，p和t都是对应的，请放心使用
%---------------------------------------------------
testPercent = 0.20; % Adjust as desired
validatePercent = 0.20; % Adust as desired
[trainSamples,validateSamples,testSamples] = dividevec(normInput,normTarget,validatePercent,testPercent);
%---------------------------------------------------
% 设置网络参数
%---------------------------------------------------
NodeNum1 = 20; % 隐层第一层节点数
NodeNum2=40; % 隐层第二层节点数
TypeNum = 1; % 输出维数
TF1 = \'tansig\';TF2 = \'tansig\'; TF3 = \'tansig\';%各层传输函数，TF3为输出层传输函数
%如果训练结果不理想，可以尝试更改传输函数，以下这些是各类传输函数
%TF1 = \'tansig\';TF2 = \'logsig\';
%TF1 = \'logsig\';TF2 = \'purelin\';
%TF1 = \'tansig\';TF2 = \'tansig\';
%TF1 = \'logsig\';TF2 = \'logsig\';
%TF1 = \'purelin\';TF2 = \'purelin\';
%注意创建BP网络函数newff()的参数调用，在新版本(7.6)中已改变
net=newff(minmax(normInput),[NodeNum1,NodeNum2,TypeNum],{TF1 TF2 TF3},\'traingdx\');%创建四层BP网络
%---------------------------------------------------
% 设置训练参数
%---------------------------------------------------
net.trainParam.epochs=10000;%训练次数设置
net.trainParam.goal=1e-6;%训练目标设置
net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛
%---------------------------------------------------
% 指定训练函数
%---------------------------------------------------
% net.trainFcn = \'traingd\'; % 梯度下降算法
% net.trainFcn = \'traingdm\'; % 动量梯度下降算法
%
% net.trainFcn = \'traingda\'; % 变学习率梯度下降算法
% net.trainFcn = \'traingdx\'; % 变学习率动量梯度下降算法
%
% (大型网络的首选算法)
% net.trainFcn = \'trainrp\'; % RPROP(弹性BP)算法,内存需求最小
%
% (共轭梯度算法)
% net.trainFcn = \'traincgf\'; % Fletcher-Reeves修正算法
% net.trainFcn = \'traincgp\'; % Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
% net.trainFcn = \'traincgb\'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
%
% (大型网络的首选算法)
%net.trainFcn = \'trainscg\'; % Scaled Conjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
% net.trainFcn = \'trainbfg\'; % Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
% net.trainFcn = \'trainoss\'; % One Step Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
%
% (中型网络的首选算法)
%net.trainFcn = \'trainlm\'; % Levenberg-Marquardt算法,内存需求最大,收敛速度最快
% net.trainFcn = \'trainbr\'; % 贝叶斯正则化算法
%
% 有代表性的五种算法为:\'traingdx\',\'trainrp\',\'trainscg\',\'trainoss\', \'trainlm\'
net.trainfcn=\'traingdm\';
[net,tr] = train(net,trainSamples.P,trainSamples.T,[],[],validateSamples,testSamples);
%---------------------------------------------------
% 训练完成后，就可以调用sim()函数，进行仿真了
%---------------------------------------------------
[normTrainOutput,Pf,Af,E,trainPerf] = sim(net,trainSamples.P,[],[],trainSamples.T);%正常输入的9组p数据，BP得到的结果t
[normValidateOutput,Pf,Af,E,validatePerf] = sim(net,validateSamples.P,[],[],validateSamples.T);%用作变量3的数据p，BP得到的结果t
[normTestOutput,Pf,Af,E,testPerf] = sim(net,testSamples.P,[],[],testSamples.T);%用作测试的3组数据p，BP得到的结果t
%---------------------------------------------------
% 仿真后结果数据反归一化，如果需要预测，只需将预测的数据P填入
% 将获得预测结果t
%---------------------------------------------------
trainOutput = mapminmax(\'reverse\',normTrainOutput,ts);%正常输入的9组p数据，BP得到的归一化后的结果t
trainInsect = mapminmax(\'reverse\',trainSamples.T,ts);%正常输入的9组数据t
validateOutput = mapminmax(\'reverse\',normValidateOutput,ts);%用作变量3的数据p，BP得到的归一化的结果t
validateInsect = mapminmax(\'reverse\',validateSamples.T,ts);%用作变量3的数据t
testOutput = mapminmax(\'reverse\',normTestOutput,ts);%用作变量3组数据p，BP得到的归一化的结果t
testInsect = mapminmax(\'reverse\',testSamples.T,ts);%用作变量3组数据t
%---------------------------------------------------
% 数据分析和绘图
%---------------------------------------------------
figure
plot(1:12,[trainOutput validateOutput],\'b-\',1:12,[trainInsect validateInsect],\'g--\',13:15,testOutput,\'m*\',13:15,testInsect,\'ro\');
title(\'o为真实值，*为预测值\')
xlabel(\'年份\');
ylabel(\'交通量（辆次/昼夜）\');正常数据，是用来正常训练用
变量数据，主要目的是防止训练中出现过拟合状态
测试数据，是用来看训练效果的
