%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
%%  导入数据
res = xlsread('预测BP轧制力1.xlsx');
%%  划分训练集和测试集
temp = randperm(948);

P_train = res(temp(1: 948), 2: 7)';
T_train = res(temp(1: 948), 8)';
M = size(P_train, 2);

P_test = res((949: 1038),2: 7)';
T_test = res((949: 1038),8)';
N = size(P_test, 2);
%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
%% 创建网络（两层，各层节点为7）
A=[7 7];                             
net=feedforwardnet(A);                    %自定义函数feedforwardnet创建一个前馈神经网络
net.trainFcn='trainbfg';                  %训练方法采用拟牛顿法
%% 设置训练参数
net.trainParam.epochs=1000;     %迭代次数
net.trainParam.goal=1e-3;       %目标
net.trainParam.lr=0.01;         %学习率
%% 训练网络
net=train(net,p_train,t_train);                    %训练样本的输入、输出
%%调用已有训练网络的权值和阈值，保证每次结果一样
load('wb'); %加载已经确定的权值和阈值
 [net.b,net.iw,net.lw]=separatewb(net,wb);%separatewb函数将保存的wb值输入到net的权值中，net.b是阈值，net.iw是输入到第一层隐含之间权值，net.lw是其他隐含层到输出


%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );
%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
wb=formwb(net,net.b,net.iw,net.lw);      %formwb函数时将训练好的权值和阈值构成一个矩阵，先阈值后权值
save('bl.txt','wb','-ascii') ;          %把wb以文本形式保持，保存形式为ascii，为了查看阈值和权值，在当前文件夹中以bl.txt出现
save('wb')                              %就是保存前面定义的wb矩阵，在当前文件夹中以wb.mat出现，方便下次调用（需要单独把最优的保持到别的文件夹，避免被覆盖）

%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'};
title(string)
xlim([1, M])
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'};
title(string)
xlim([1, N])
grid

%%  相关指标计算
%  R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])


%  MAPE
mape1 = mean(abs((T_sim1 - T_train)./T_train));
mape2 = mean(abs((T_sim2 - T_test)./T_test));

disp(['训练集数据的MAPE为：', num2str(mape1)])
disp(['测试集数据的MAPE为：', num2str(mape2)])