Question

神经网络BP算法求代码

每个客户的输入信息包含：
前5年的数据，每年的数据均包括：
系列A：总数A1；成功数A2；失败数A3；未完成数A4；A1=A2+A3+A4；
系列B：总数B1；成功数B2；失败数B3；未完成数B4；B1=B2+B3+B4；
系列C：总数C1；成功数C2；失败数C3；未完成数C4；C1=C2+C3+C4；

输出要求：
1. 客户类型：
总和Z=A1+B1+C1，当A,B,C中任一项的比重最多时，该客户就属于该类型，例如：
当C1/Z最大时，该客户属于C型；
当A1/Z=B1/Z且最大时，该客户属于AB型；

2. 客户成功率/品质：
以系列A为例，成功率=A2/（A2+A3）；
当成功率大于等于80%，则该客户品质为优；
当成功率大于等于60%但小于80%，则该客户品质为良；
当成功率大于等于40%但小于60%，则该客户品质为中；

3. 根据前5年的数据，推算出后1年的数据。

Answer 1

输入节点数为3x3x5=45，输出节点数为3x3+2=11，隐节点数通过试凑法得出。

BP神经网络的Matlab代码见附件，修改节点数、增加归一化和反归一化过程即可。

BP算法，误差反向传播（Error Back Propagation, BP）算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。

1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层

注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）

2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层

其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。

注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。