哈喽！小伙伴们，接着上篇回归预测之支持向量机回归预测，今天给大家带来MATLAB实现bp神经网络回归预测，本文主要是陈述BP神经网络实现过程，不在对原理进行讲解啦。需要代码的小伙伴可以私聊我！无偿。接下来进入正题啦！
bp神经网络回归预测实现主要还是依赖MATLAB自带的工具箱实现的，所以我们只要了解了工具箱的基本情况、使用格式以及参数设置，就可以使用工具箱实现回归预测啦！
首先，清空变量和所以窗口，一般我们进行编程的时候，都会进行这一步操作，有利于释放存储，加快计算输出，也不容易因为上一次运行，影响本次运行。
第一步：读取训练集的数据集，本文从Excel表格中利用xlsread函数读取数据，然后划分输入值和输出值，假设有13列数据，那么前12列为输入，最后一列为输出。
第二步：同样的方法读取测试集的数据，分好输入值和输出值，这个时候就可以设置一下bp神经网络的输入、隐含层以及输出层的节点数量。我这里只设置了隐含层的节点个数，其他的默认。
第三步：将训练集的数据进行归一化处理，本文将数据归一化到【-1,1】 之间，用到归一化函数mapminmax函数，其实inputn和outputn是归一化后的数据，inputps和outputps是归一化准侧，目的是接下来的预测也按照这个方法来进行归一化。
第四步：搭建BP神经网络，本文最简单的 BP神经网络结构，主要参数有 训练集输入输出值，隐含层，传递函数等等。
第五步：网络的参数配置，这里可以设计的参数有很多，为了方便学习，我这里主要设置三项，分别是迭代次数、学习速率以及训练的最小误差。
第六步：设置好所有参数之后，就可以进行bp训练了。这里也可以利用save函数保存一下net，后期想用可以直接调用就行，不用再次训练了。
第七步：训练好之后，其实已经可以预测了，但是前面我们对训练集进行了归一化处理，所以我们在预测之前也要利用同一方法进行归一化处理，inputn_test就是归一化之后的测试集。inputps就是之前我们训练集归一化所用的方法。
第八步：等所有的参数条件设置好了之后，进行仿真训练啦！
第九步：对预测结果进行反归一化，得到预测的真实值并且计算绝对误差。
第十步：得到结果之后，我们为了知道预测的效果，就需要做误差评估，只要通过计算MSE,RMSE等参数，在对结果进行可视化。
最后，给大家看一下运行的效果：
