某神经元输出 = f(∑(权重 × 输入) + 阈值)

% 读取数据（假设存储在Excel中）
data = xlsread('your_data.xlsx');
X = data(:, 1:end-1);  % 输入特征（每行一个样本，每列一个特征）
Y = data(:, end);      % 输出目标

% 数据归一化（将数据映射到[-1,1]或[0,1]区间）
[X_norm, X_ps] = mapminmax(X');
Y_norm = mapminmax(Y');

% 创建前馈神经网络
hiddenLayerSize = 10;  % 隐藏层神经元数量
net = feedforwardnet(hiddenLayerSize);

% 或使用newff函数（旧版语法，但依然可用）
% net = newff(minmax(X), [hiddenLayerSize, 1], {'tansig', 'purelin'}, 'trainlm');

% 训练参数设置
net.trainParam.epochs = 1000;    % 最大训练次数
net.trainParam.goal = 1e-5;      % 训练目标误差（MSE）
net.trainParam.lr = 0.01;        % 学习率
net.trainParam.showWindow = 1;   % 显示训练窗口

% 按比例划分：70%训练，15%验证，15%测试
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;

% 训练
[net, tr] = train(net, X_norm, Y_norm);

% 对测试集进行预测
Y_pred_norm = sim(net, X_test_norm);

% 反归一化，得到实际预测值
Y_pred = mapminmax('reverse', Y_pred_norm, Y_ps);

% 计算评价指标
mse = mean((Y_test - Y_pred).^2);           % 均方误差
mae = mean(abs(Y_test - Y_pred));           % 平均绝对误差
mape = mean(abs((Y_test - Y_pred) ./ Y_test)) * 100;  % 平均绝对百分比误差
r2 = 1 - sum((Y_test - Y_pred).^2) / sum((Y_test - mean(Y_test)).^2);  % R平方

%% BP神经网络完整示例
clc; clear; close all;

%% 1. 加载数据
load data.mat;  % 假设数据已保存
X = data(:, 1:end-1);  % 输入
Y = data(:, end);       % 输出

%% 2. 数据归一化
[X_norm, X_ps] = mapminmax(X');
[Y_norm, Y_ps] = mapminmax(Y');

%% 3. 创建BP网络
hiddenLayerSize = 10;
net = feedforwardnet(hiddenLayerSize);

%% 4. 设置参数
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-6;
net.trainParam.lr = 0.01;
net.trainFcn = 'trainlm';  % Levenberg-Marquardt算法

%% 5. 划分数据集
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;

%% 6. 训练
[net, tr] = train(net, X_norm, Y_norm);

%% 7. 预测
Y_pred_norm = sim(net, X_norm);
Y_pred = mapminmax('reverse', Y_pred_norm, Y_ps);

%% 8. 评估
mse = mean((Y' - Y_pred).^2);
mae = mean(abs(Y' - Y_pred));
fprintf('MSE: %.6f\n', mse);
fprintf('MAE: %.6f\n', mae);

%% 9. 可视化
figure;
plotregression(Y', Y_pred, 'BP神经网络');
figure;
plot(1:length(Y), Y', 'b-o', 1:length(Y), Y_pred, 'r-*');
legend('真实值', '预测值');
xlabel('样本序号');
ylabel('输出值');
title('BP神经网络预测结果对比');

%% GA-BP主框架
% 1. 定义BP网络结构
Num_In = size(train_data, 1);   % 输入节点数
Num_Hidden = 10;                 % 隐藏节点数
Num_Out = 1;                     % 输出节点数

% 2. GA参数设置
popSize = 50;      % 种群大小
maxGen = 100;      % 最大进化代数
pc = 0.8;          % 交叉概率
pm = 0.01;         % 变异概率

% 3. 优化变量总数 = 输入权重 + 隐藏阈值 + 输出权重 + 输出阈值
totalNum = Num_In*Num_Hidden + Num_Hidden + Num_Hidden*Num_Out + Num_Out;

% 4. GA优化（调用ga函数或自定义遗传算法）
% [bestChrom, bestFitness] = ga(@fitnessFunc, totalNum, ...)

% 5. 将最优解赋给BP网络
% net.iw{1,1} = reshape(bestChrom(1:Num_In*Num_Hidden), Num_Hidden, Num_In);
% net.lw{2,1} = reshape(bestChrom(...), Num_Out, Num_Hidden);
% net.b{1} = bestChrom(...);
% net.b{2} = bestChrom(...);

% 6. 训练优化后的BP网络
net = train(net, train_data, train_aim);