下载完整代码

clc;clear;
%导入1949年至2010年人口数据
data=importdata('population_data.txt');
lag=3;      %利用前3年数据做为输入，去预测下一年人口数量
n=length(data);     %计算数据长度
%%
%准备输入和输出数据
inputs=zeros(lag,n-lag);
for i=1:n-lag    inputs(:,i)=data(i:i+lag-1)';
end
targets=data(lag+1:end)';
%%
%bp神经网络模拟
[pn,minp,maxp,tn,mint,maxt]=premnmx(inputs,targets);    %归一化处理
dx=[-1,1;-1,1;-1,1];    %归一化处理后最小值为-1，最大值为1
net=newff(dx,[3,7,1],{'tansig','tansig','purelin'},'traingdx');  %建立模型，并采用基本梯度下降法训练．
net.trainParam.show=100;                 %100轮回显示一次结果
net.trainParam.Lr=0.05;                  %学习速度为0．05
net.trainParam.epochs=1000;              %最大训练轮回为1000次
net.trainParam.goal=0.0001;              %均方误差为0．0001
net=train(net,pn,tn);                    %开始训练，其中pn,tn分别为输入输出样本
%%
%数据仿真
sim_result=sim(net,pn);
real_result_data=postmnmx(sim_result,mint,maxt);   %还原真实数据
%%
%绘图，对比模拟结果
%num=1:(n-lag);
num = 1949:2010;
figure;
plot(num,real_result_data,'b--+',num,data(lag+1:end),'r-o')
%%
%输入单组数据进行网络测试 
test_data=[135030 135770 136460]';   %结果应该在137510附近
pnewn=tramnmx(test_data,minp,maxp);  %归一化
anewn=sim(net,pnewn);
test_result=postmnmx(anewn,mint,maxt)   %测试结果