【例子】BP神经网络-简单玩玩

好了，都学了几节BP神经网络了，那么这节我们就简单的来玩玩它吧。

一、BP神经网络-简单例子

我们不妨使用matlab自带的化学反应acetylene数据来玩玩BP神经网络，看看BP神经网络的预测效果，以及它的使用方法，同时熟悉一下在matlab中的代码实现。

1.1. BP神经网络例子-数据说明

acetylene化学反应数据是matlab自带的数据，共16条数据，如下：

x1:反应器温度，x2:H2与正庚烷的比率(摩尔比),x3:接触时间(秒)，y:正庚烷制乙炔的转化率(%)。

如表格所示，acetylene数据共包含三个变量和一个，事实上我们也不用太纠结这些x和y到底是什么意思啦，反正知道就是要用三个来预测就好了。

1.2. BP神经网络例子-代码实现

好了，下面我们就可以构建一个BP神经网络来实现化学反应转化率的预测了。

如前面所说，我们就使用三层BP神经网络，隐层用tanh函数，输出层用恒等函数y=x这样的模型结构，而唯一要确定的是隐节点个数，考虑到输入变量只有3个，所以我们隐节点也简单点来就可以了，不妨设为4，然后使用matlab来构建一个BP神经网络，并进行训练，代码如下：

load acetylene.mat                                     % 加载acetylene数据
setdemorandstream(88888);                              % 指定随机种子,这样每次训练出来的网络都一样
% 数据加载
X = [x1,x2,x3]';                                       % 将x1,x2,x3作为输入数据
Y = y';                                                % 将y作为输出数据

% 模型训练
net = newff(X,Y,4,{'tansig','purelin'},'trainlm');     % 初始化BP神经网络
net.trainparam.goal = 0.0001;                          % 训练目标:均方误差低于0.0001
net.trainparam.show = 400;                             % 每训练400次展示一次结果
net.trainparam.epochs = 15000;                         % 最大训练次数：15000.
[net,tr] = train(net,X,Y);                             % 调用matlab自带的train函数训练网络

% 模型预测
py = sim(net,X);                                       % 调用matlab的sim函数得到网络的预测值
figure;                                                % 新建画图窗口窗口
t = 1:length(py);                                      % 数据的序号
plot(t,Y,'*',t,py,'o')                                 % 画图,对比原来的y和网络预测的y
legend('真实值','预测值')                              % 展示图例

代码运行结果如下：

可以看到，我们的BP神经网络的预测值与样本数据的真实值基本是一致的，说明我们的模型训练成功了。

二、代码逐行解说

好了，下面我们一起来逐行解说一下代码，这样也方便熟悉一下代码的意思。

2.1. 代码解说-数据导入

首先看下1-5行代码：

第1行就是加载matlab的acetylene数据，它包含了和的数据。经过这一句代码，我们会看到我们的工作区中会增加了如下的数据：

第2行setdemorandstream(88888)则是设置随机种子，因为BP神经网络训练时，使用了随机数，如果不固定随机种子，每次训练出来的结果是不一样的，这里我是为了让大家能复现这个结果，所以随便设置了个随机种子88888。

第4行就是把合并在一起，作为训练数据X。值得注意的是，matlab的BP神经网络要求X每一行代表一个变量，而原始数据中的都是列向量，所以合并之后还要进行转置，这里X最终是的数据哦。

同样地，第5行把y作为我们建模使用的Y，而原始数据里的y是列向量，所以需要转置后再作为我们的Y。

总的来说，记住记住，matlab的BP神经网络，是每行代表一个变量哦~！

2.2. 代码解说-模型训练

好了，接下来我们看看模型训练的代码。

第8行是初始化一个BP神经网络，newff函数就是matlab里构建BP神经网络的函数了，newff函数第1、2个参数，就是我们的训练数据的X和Y了。然后第3个参数4代表隐节点个数，第4个参数{'tansig','purelin'}则代表第一个隐层用tanh函数，第二个隐层(即输出层)用purelin(y=x)函数，最后呢，我们选择了用trainlm算法进行训练，它所使用的就是LM列文伯格-马跨特算法进行训练，如果不设训练算法，那么默认也是用trainlm算法。

其实matlab已经有新函数构建BP了，但大部分资料仍用newff，用新函数不易找资料，所以继续用newff就好了。

第9-11行是设置一些训练参数。goal=0.0001代表误差达到0.0001时就会停止训练，show=400代表每训练400步就会展示一次结果，而epochs=15000就是最多训练15000步。还有一些其它参数，我们以后再讲。

第12行就是正式训练模型了。好了，train函数共有三个关键入参，其中net就是我们上面初始化好的BP神经网络，而X,Y就是我们用来训练模型(也就是调整模型的参数)所使用的数据。然后经过train后，模型就开始训练了，训练完后就会返回net和tr这两个关键出参，其中net就是训练好的BP神经网络，tr是训练中的一些记录，就是train record的意思，tr具体的使用我们暂时先不管，以后用到再说。

整体来说，第8行newff是初始化模型，第9-11行是设置训练参数，第12行的train才真正用X、Y来训练模型。

2.3. 代码解说-模型预测

上面我们已经训练好模型了，下面我们来看看如何用训练好的模型进行预测。

第15行是使用训练好的模型net来对X进行预测，其中sim函数就是simmulate(模拟)的意思，sim(net,X)就会返回net对X的预测结果，曾经有同学问我，这个X是什么，这个X就是你想预测的X，例如想知道x1=1000,x2=2,x3=5时y的预测结果，那么就需要传入X=[1000,2,5]'。这里我们传入了所有X样本，最终就会得到所有X的预测结果。

16-19行就是画图了，就是画出真实Y与预测Y的散点图，没什么好说的。

事实上，模型的预测，也可以把net中的权重、阈值提取出来，再代入模型表达式来预测，毕竟BP本身就是一个函数嘛，但建模时直接用sim函数就可以了，用模型表达式来预测的方式以后再说。

结束语

这里我们简单的玩了一玩BP神经网络，其实只要X，Y的关系比较明确，那么基本都是可以用BP神经网络来进行建模的，而如果自己也不确定X能不能预测Y，那就只能试一试了，输入信息的充分性，永远是建模成功的前提。