发布时间 : 星期日 文章基于bp神经网络的混凝土抗压强度预测 - 图文更新完毕开始阅读
出来就如下图（图3-3-1），而未经处理过的数据不作处理直接用plot工具将其绘出就如图（图3-3-2）所示。
把两幅图进行对比我们可以看到未经处理的数据坐标范围在160至1100之间，这个区域范围太大，不利于网络的训练。而经过归一化处理后的数据所有数据大小都控制在0-1之间，这样对训练结果精度的提高有着很大的影响。
图3-3-1
图3-3-2
3.4训练集与测试集的选取
在所有数据集中，选取训练集与测试集的序号需要随机选取，目的是为保证模型模拟的精确度。因此在matlab编辑器中新建一个临时变量temp，实验的样本集是一个103*7的数据集，将数据集中一列数据的数量（103个）赋值给temp，再调用用matlab中自带函数randperm（作用是随机打乱一个数字序列）把数据序号打乱。
实验中需要的是80个训练集和23个测试集。因此接下来就是将这个序列号分给之前排好的数据中，将前80个数据作为训练集，后23个数据作为检测集。这种工作使每个数据调用的先后被打乱，从而保证了数据的随机性，提高了数据的代表性，使神经网络的学习更加有效。
3.5 网络的训练
在网络的训练开始前，首先要把环境变量清空，然后使用matlab中的newff函数来建立一个新的神经网络。在选择隐层神经元个数时，开始选择神经元个数为9，但是训练后发现训练效果并不好，通过一系列测试和实验后，发现当隐层神经元个数为12个时，训练效果最好。
训练参数的选择：训练的迭代次数为10。学习率为0.01；训练目标精度为10-3 。
将参数设置好之后开始进行训练，开始后弹出训练执行的对话框，如图3-5-1和图3-5-2：
图3-5-1
下图（图3-5-2）所展示的是当隐层神经元个数选择为9时运行产生的训练对话框，我们在后面将对两组实验进行详细比对，选择最好的预测效果作为预测模型。