bp神经网络

shuddkk

用bp神经网络确定抽水试验含水层参数。但所求结果与实际相差较大
clear all; close all;clc
8 T# ^. I; r9 U3 wload t.txt    %导入数据
load newinput.txt
% 随机生成测试和验证数据
T = 0.12 + 0.04*rand(1,120)
( R% N. _$ [, H/ P" H, `U = 0.0002 +0.0001*rand(1,120)
& Q0 f% ^4 t! u) K! @. I
%根据公式计算求得输入数据
4 X! i* k7 b/ B( C7 J
" w1 @2 W2 c' Q1 t2 n4 I) aM=zeros(18,120)
for i=1:120
    for c=1:18
& b4 L: r/ \' q7 P1 T- N0 ~- `) D    m=43*43*U(1,i)/4/T(1,i)/t(c,1);n=-0.577216-log(m)+m;s=1*n/4/T(1,i )/pi;M(c,i)=s;
    end
! k: I4 b4 T( |end
4 y/ k$ Y1 t0 p% X9 o
data  = [T;U]
2 w3 A! g& A# h- L* y. u
p = M
t = data
% D4 ?6 L' @$ }4 D" J- ~% 划分数据，分成测试和验证数据
[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.8,0.15,0.15) ;
6 R5 [- S* q$ F[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.8,0.15,0.15);

% 数据归一化处理
[trainsample.P, ps] = mapminmax(trainsample.p,0,1)
testsample.P = mapminmax('apply',testsample.p,ps)
4 Q/ x8 c) ]3 z+ }/ n+ \[trainsample.T, ts] = mapminmax(trainsample.t, 0,1)

, X& D  X( G# y) C+ f% 初始化网络
$ o" H% F# m) K! J! `3 c; fnet = newff(trainsample.P,trainsample.T,[1,27])

& j* l6 L1 ^8 s0 ?$ e" U- B6 D% 设置网络参数
net.trainParam.epochs = 50000;
net.trainParam.show=50;
, U0 w9 I0 H; [# I% i$ I9 {net.trainParam.lr = 0.68;
5 }& g# C# H5 j0 `* a5 anet.trainParam.goal = 1E-15;
- i$ \. H% |! c" z
net.traiNFCn='trainbr';
[net,tr]=train(net,trainsample.P,trainsample.T);

% 仿真处理
p_sim=sim(net,testsample.P);
P_sim = mapminmax('reverse', p_sim, ts);

% 数据预测
6 ?' u, t# F1 Y: t6 K0 ~  D; [' T9 onewinput = mapminmax('apply', newinput, ps);
) G1 n+ o- R# J8 Z$ RnewOutput = sim(net, newinput);
& D& i% {9 P% O9 i$ I6 ^+ U. \newOutput = mapminmax('reverse',newOutput, ts)
+ D  o" M1 T$ T- w

勇往直前11

帮你顶一下

小白的白

我的理解是：
, X5 r0 o5 b9 T①有一组已知数据来自t.txt，它们是某模型的输入变量；该模型另有参数U和参数T；模型的输出为形如newinput.txt中的数据。
  f# }1 F7 z; f# R6 i- ^②目标是根据实际输出newinput.txt中的数据，拟合得到参数U和参数T的数值。
③实现过程则是，先随机生成一系列的参数U和T，并根据该模型计算得到对应的输出；接着构造一个神经网络，使用前述模型计算输出作为训练的输入，使用参数U和T的数据作为训练的输出，开始进行反馈训练；最后使用经过训练的神经网络，完成目标②。

小小鲁班

来学习