%bpann.m
%BP人工神經網絡算法程序
clc
%原始數據
%公路客運量(萬人)
glkyl=[12815 15543 19326 22864 26150 28468 30882 39375 45759 49589 52560 48726 51083 56495 62767 83606 92090 101370 107317 108654 111847 112872 116997 126007 128980];
%公路貨運量(萬噸)
glhyl=[2690 2998 3012 3042 3616 3728 3988 9397 17680 19426 24128 24354 22879 24162 28957 36439 40593 45052 47400 45224 45338 45815 47151 55705 63532];
%市區人數(萬人)
sqrs=[47.8 52.2 59 63.1 68.5 70 72 79.2 84.7 88.6 91 93 97.5 103.7 110 123 129.6 132 137.6 141 145 155.5 157 163.1 165.9];
%市區機動車數(萬輛)
sqjdcs=[1.2 1.5 1.7 1.8 2.1 2.7 2.9	3.2	3.4	3.7	4.3	4.4	4.5	4.7	5 5.2 5.4 5.7 5.9 6.2 6.3 6.7 7.2 7.5 7.9];
%市區公路面積(萬平方公里)
sqglmj=[0.2 0.25 0.25 0.3 0.45 0.5 0.5 0.7 0.7 0.75 0.8 0.8 0.85 1.1 1.25 1.3 1.3 1.5 1.55 1.75 1.8 1.8 2.05 2.1 2.3];

b=[sqrs;sqjdcs;sqglmj];  %輸入數據矩陣
c=[glkyl;glhyl];         %輸出數據矩陣

%bp神經模擬
[pn,minp,maxp,tn,mint,maxt]=premnmx(b,c);  % 對于輸入矩陣b和輸出矩陣c進行歸一化處理
dx=[-1,1;-1,1;-1,1];  %歸一化處理后最小值為-1，最大值為1

net=newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingd');  %建立模型，并采用基本梯度下降法訓練．
net.trainParam.show=100;              %100輪回顯示一次結果
net.trainParam.Lr=0.05;               %學習速度為0．05
net.trainParam.epochs=1000;         %最大訓練輪回為100000次
net.trainParam.goal=1e-2;             %均方誤差為0．0001
net=train(net,pn,tn);    %開始訓練，其中pn,tn分別為輸入輸出樣本
                         % 訓練時應該用歸一化之后的數據

an=sim(net,pn);          %用訓練好的模型進行仿真
a=postmnmx(an,mint,maxt); % 訓練結束后還應對網絡的輸出an=sim(net，pn)作如下處理

%繪圖，對比模擬結果
x=1980:2004;
newk=a(1,:);
newh=a(2,:);
subplot(2,1,1);plot(x,newk,'b--+',x,glkyl,'r-o')
subplot(2,1,2);plot(x,newh,'b--+',x,glhyl,'r-o')

% 當用訓練好的網絡對新數據pnew進行預測時，也應作相應的處理：
% pnewn=tramnmx(pnew，minp，maxp)；
% anewn=sim(net，pnewn)；
% anew=postmnmx(anew，mint，maxt)；
pnew=[170.67 175.7
7.927 8.1949
2.1955 2.2818];
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn);
anew=postmnmx(anewn,mint,maxt);