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
! k, [& \+ C3 A* L0 wclear all; close all;clc
( ^& V! G) T9 h/ J: B# K; I! {load t.txt    %导入数据
" K( y& y4 m/ }; q* eload newinput.txt
% 随机生成测试和验证数据
T = 0.12 + 0.04*rand(1,120)
5 \7 Y# q. m0 ~4 r' S7 K; UU = 0.0002 +0.0001*rand(1,120)

%根据公式计算求得输入数据

3 w- J( ?! b0 `M=zeros(18,120)
for i=1:120
    for c=1:18
5 h; y; q) r) P: M& U) O    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
0 R% m7 z% J& P  ]# E; r, nend

data  = [T;U]

3 r# a4 n/ S2 X( d- T3 B: vp = M
t = data
8 y$ }' F: y  I/ A% 划分数据，分成测试和验证数据
! o8 k" J# a8 e# e5 i/ _0 z" A/ e[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.8,0.15,0.15) ;
3 x+ p; |, B8 U; r[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.8,0.15,0.15);
6 V$ y2 C3 P0 t8 K* G" V6 b
% 数据归一化处理
[trainsample.P, ps] = mapminmax(trainsample.p,0,1)
testsample.P = mapminmax('apply',testsample.p,ps)
$ h. p/ |0 l# t) d. n[trainsample.T, ts] = mapminmax(trainsample.t, 0,1)
- z1 I8 d8 ^3 I- M# L/ z
% 初始化网络
& f! {& L. L* ^, Nnet = newff(trainsample.P,trainsample.T,[1,27])

$ S4 W. U0 T+ |0 f: e% 设置网络参数
net.trainParam.epochs = 50000;
net.trainParam.show=50;
! B4 g& Z3 P3 a7 }" O7 F4 Anet.trainParam.lr = 0.68;
' i; W; s; e6 d' J% J# ]net.trainParam.goal = 1E-15;

7 q# q3 ~! R8 O2 Hnet.traiNFCn='trainbr';
; g( M0 E* q/ G8 Q9 s[net,tr]=train(net,trainsample.P,trainsample.T);
+ L; X( u$ D  F) p! h, F9 c8 m
% 仿真处理
4 [' E+ m5 ?2 p0 ]p_sim=sim(net,testsample.P);
8 D0 I2 k! }" i( @" aP_sim = mapminmax('reverse', p_sim, ts);
6 q' B% T& {* n4 f8 Z- z
% 数据预测
$ Y- ^9 J7 @- |, tnewinput = mapminmax('apply', newinput, ps);
newOutput = sim(net, newinput);
newOutput = mapminmax('reverse',newOutput, ts)
3 q( i( {. ^; |8 x" D  o
6 M8 B  z/ z6 f* y0 o. m* i, G) V

2 g( k0 s( w, @! o

勇往直前11

帮你顶一下

小白的白

我的理解是：
6 U! G. w: j, L6 d9 u①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。
1 ?$ ]0 C0 A7 e5 U6 {, [2 d②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。
1 m' y- t1 |# A/ O& ~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