BP神经网络中输入层​到隐含层权重矩阵与输​入层隐含层节点不一致

BP神经网络中输入层到隐含层权重矩阵与输入层隐含层节点不一致，

输入层神经元设定46个，最佳隐含层为9个，得到权重矩阵是45*9，具体代码与工作区如下，请问是哪里出现了问题

%初始化，清空变量

clear

close all

clc

format short %精确到小数点后4位，format long是精确到小数点后15位

导入数据

data=xlsread("数据集.xlsx",'A2:AZ161');

% 设置神经网络的输入和输出

numRows=size(data,1);%获取数据行数

rowIndices=randperm(numRows);%行数随机排布

data_r=data(rowIndices,:);%行数随机排布打乱数据

input=data_r(1:end,1:end-6); %第1列至倒数第7列为输入

output=data_r(1:end,end-5:end); %最后6列为输出

N=length(input) %计算样本数量

testNum=40 ; %设定测试集样本数量，从数据集后面选取

trainNum=N-testNum ; %设定训练集样本数量

设置训练集和测试集

input_train=input(testNum+1:trainNum+testNum,:)'; % 训练集输入

output_train=output(testNum+1:trainNum+testNum,:)'; % 训练集输出

input_test=input(1:testNum,:)';% 测试集输入

output_test=output(1:testNum,:)'; % 测试集输出

数据归一化

[inputn,inputps]=mapminmax(input_train,0,1); % 训练集输入归一化到[0,1]之间

[outputn,outputps]=mapminmax(output_train); % 训练集输出归一化到默认区间[-1, 1]

inputn_test=mapminmax('apply',input_test,inputps);

最佳隐含层的确定

inputnum=size(input,2); %size用来求取矩阵的行数和列数，1代表行数，2代表列数

outputnum=size(output,2);

disp(['输入层节点数：',num2str(inputnum),', 输出层节点数：',num2str(outputnum)])

disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])

disp(' ')

disp('最佳隐含层节点的确定...')

%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数

MSE=1e+5; %误差初始化

transform_func={'tansig','purelin'}; %激活函数采用tan-sigmoid和purelin

train_func='trainlm'; %训练算法

for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10

net=newff(inputn,outputn,hiddennum,transform_func,train_func); %构建BP网络

% 进行网络训练

net=newff(inputn,outputn,hiddennum);

an0=sim(net,inputn); %仿真结果

mse0=mse(outputn,an0); %仿真的均方误差

disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])

%不断更新最佳隐含层节点

if mse0<MSE

MSE=mse0;

hiddennum_best=hiddennum;

end

end

disp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])

神经网络构建

w = rand(inputnum, hiddennum_best) - 0.5

net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');

% 网络参数

net.trainParam.epochs=90000; % 训练次数

net.trainParam.lr=0.003; % 学习速率

net.trainParam.goal=0.0001; % 训练目标最小误差

网络训练

[net,tr]=train(net,inputn,outputn); % train函数用于训练神经网络

inputn_test=mapminmax('apply',input_test,inputps);%预测结果归一化

an=sim(net,inputn_test);%预测输出

BPoutput=mapminmax('reverse',an,outputps);%输出结果反归一化

网络预测结果图形

figure(1)

plot(BPoutput,'-*')

hold on

plot(output_test,'-*')

legend('预测输出','期望输出')

title('BP神经网络预测输出','fontsize',12)

ylabel('函数输出','fontsize',12)

xlabel('样本','fontsize',12)

%网络预测误差图形

error=BPoutput-output_test

figure(2)

plot(error,'-*')

title('BP神经网络预测误差','fontsize',12)

ylabel('误差','fontsize',12)

xlabel('样本','fontsize',12)

%输入到隐层权值：

w1=net.IW{1}

%隐层阈值：

theta1=net.b{1}

%隐层到输出层权值：

w2=net.lw{2,1}

%输出层阈值：

theta2=net.b{2}

disp(size(inputn))

% 计算所有输入神经元权值的总和

total_weight_sum = sum(sum(abs(w1')));

% 初始化一个向量来存储每个输入神经元的权值和

weight_sums = sum(abs(w1'), 2); % 按列求和，得到每个输入神经元的权值和

% 计算每个输入神经元权值和的占比

weight_percentages = (weight_sums / total_weight_sum) * 100;

% 输出每个输入神经元的权值和及其占比

for j = 1:length(weight_sums)

fprintf('输入层第 %d 个神经元的权值和是: %f, 占比是: %f%%\n', j, weight_sums(j), weight_percentages(j));

end