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
load t.txt    %导入数据
5 \! h% }/ [: u2 `6 u; y  V; lload newinput.txt
7 Q5 ?8 H$ z) `% 随机生成测试和验证数据
9 I  u: z& k: e7 t# a6 KT = 0.12 + 0.04*rand(1,120)
# F8 e. W$ O% ^4 FU = 0.0002 +0.0001*rand(1,120)

1 t. o; F- E6 p, ?( y%根据公式计算求得输入数据
0 N+ b2 [- L) E. t5 l/ _+ C2 F
M=zeros(18,120)
for i=1:120
5 `% u! k$ b4 Q* U% e    for c=1:18
    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
end

data  = [T;U]
" v( c& ^7 O4 d; y0 V5 R
% s7 B/ f% r/ Xp = M
t = data
$ j6 o0 ~0 H& k* c/ D1 e% 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) ;
[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.8,0.15,0.15);

- {! \$ W. x$ L$ F; Y( u- s% 数据归一化处理
" Q5 y- M6 F$ G  R/ |[trainsample.P, ps] = mapminmax(trainsample.p,0,1)
' T/ g/ `9 a9 {! Z& `. [testsample.P = mapminmax('apply',testsample.p,ps)
[trainsample.T, ts] = mapminmax(trainsample.t, 0,1)

% 初始化网络
% g$ }4 y: u- K( Gnet = newff(trainsample.P,trainsample.T,[1,27])
# [' q, \9 t5 C' c
! V5 B. z( G- V( z% 设置网络参数
net.trainParam.epochs = 50000;
net.trainParam.show=50;
net.trainParam.lr = 0.68;
6 H& l) z! n9 `" l/ ]; S1 lnet.trainParam.goal = 1E-15;
2 X; u, J! {/ H  k1 O
- q+ m! y% I- j  E: U: @$ Onet.traiNFCn='trainbr';
, ^5 x( d1 e% Z6 n2 a[net,tr]=train(net,trainsample.P,trainsample.T);
/ a& ]. n2 l0 q: l* s* V  U
% 仿真处理
p_sim=sim(net,testsample.P);
P_sim = mapminmax('reverse', p_sim, ts);

% 数据预测
newinput = mapminmax('apply', newinput, ps);
newOutput = sim(net, newinput);
9 e- [  T' q7 V& g) x& snewOutput = mapminmax('reverse',newOutput, ts)

/ R- b6 }& v* y9 ^9 \" j; I" N; F
0 }2 z5 ?/ [6 j4 k* \. a. l) s

勇往直前11

帮你顶一下

小白的白

我的理解是：
5 L' Y3 o( a! O! G+ g①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。
4 d( ?6 J! [4 f) |& w3 P- B②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