企业官网建设流程全解析

1. 从零到一：MATLAB神经网络建模的完整工作流

如果你正在准备数学建模竞赛，或者课程项目需要一个能跑出结果的神经网络模型，那么“可执行代码”这几个字可能就是你的救命稻草。我见过太多同学，在网上找了一堆理论，下载了几个代码片段，结果不是环境报错就是数据对不上，最后只能对着屏幕干瞪眼。今天，我们不谈空洞的理论，就聚焦一件事：如何用MATLAB，从一张白纸开始，写出一段能直接运行、能出结果、甚至能直接拿去交差的神经网络建模代码。

这不仅仅是写几行命令那么简单。一个完整的、可执行的建模流程，至少包含五个环环相扣的环节：环境与数据准备、模型选择与构建、训练与调参、结果评估与可视化、以及最终的代码封装与报告生成。很多教程只讲中间“训练”那一步，把头尾都省了，导致你永远无法独立完成一个项目。本文将严格遵循这个完整链条，我会把每个环节中那些“默认你会但实际上你可能不会”的细节掰开揉碎，并提供可以直接复制粘贴的代码块。我们的目标很明确：让你拿到一套“开箱即用”的方法论和代码框架。

2. 起手式：数据预处理与MATLAB环境确认

在激动地敲下feedforwardnet之前，90%的失败已经注定，原因都出在数据和环境上。这一步枯燥但至关重要，它决定了你的模型是“科学实验”还是“玄学调试”。

2.1 数据导入与清洗实战

数学建模中的数据来源五花八门，可能是Excel、CSV、TXT，甚至是数据库。MATLAB处理这些数据非常方便，但陷阱也不少。

% 假设我们有一个名为‘competition_data.xlsx’的文件，第一个工作表是数据 rawData = readtable(‘competition_data.xlsx’); % 使用readtable保持列名信息 % 查看数据概览，这是第一步，千万别跳过 summary(rawData); disp(‘数据前5行：’); disp(rawData(1:5, :)); % 处理缺失值：这是建模中最常见的问题之一 % 方法1：删除含有缺失值的行（数据量足够大时） cleanData = rmmissing(rawData); % 方法2：用均值/中位数填充（更常用） % 例如，填充第二列（假设是数值型）的缺失值 col2 = rawData{:, 2}; col2(isnan(col2)) = mean(col2, ‘omitnan’); rawData{:, 2} = col2; % 检查异常值：简单的3σ原则 for i = 1:width(cleanData) if isnumeric(cleanData{:, i}) colMean = mean(cleanData{:, i}); colStd = std(cleanData{:, i}); outliers = abs(cleanData{:, i} - colMean) > 3 * colStd; if any(outliers) fprintf(‘列 %d 发现 %d 个潜在异常值。\n’, i, sum(outliers)); % 通常建议查看而非直接删除，可能包含重要信息 end end end

一个关键心得：对于数学建模，永远保留一份原始数据的副本。所有清洗操作都应在副本上进行，并在代码中清晰注释每一步操作的原因（例如，“根据题目要求，剔除2020年之前的异常记录”）。这能让你的论文可复现，也是评委看重的地方。

2.2 特征与标签分离，以及归一化

神经网络对输入数据的尺度非常敏感。大的数值范围会主导梯度，导致模型难以收敛。因此，归一化是标准操作。

% 假设我们的表格中，最后一列‘label’是我们要预测的标签（因变量） % 其他列都是特征（自变量） features = cleanData{:, 1:end-1}; % 提取所有行，除最后一列外的所有列 labels = cleanData{:, end}; % 提取最后一列作为标签 % 数据归一化：使用 mapminmax 函数（归一化到[-1, 1]区间） % 注意：一定要先对训练集拟合参数，再用同样的参数变换测试集！ % 这里我们先整体做，实际中应在划分训练测试集后进行。 [featuresNorm, ps_input] = mapminmax(features‘, -1, 1); % mapminmax处理的是行样本，所以先转置 featuresNorm = featuresNorm‘; % 转置回来，恢复为 [样本数×特征数] 的矩阵 [labelsNorm, ps_output] = mapminmax(labels‘, -1, 1); labelsNorm = labelsNorm‘; % 保存预处理参数ps_input和ps_output，在预测新数据时使用 save(‘preprocess_params.mat‘, ‘ps_input‘, ‘ps_output‘);

这里有个大坑：绝对不能在整个数据集上做归一化后再划分训练集和测试集。这会导致数据泄露（Data Leakage），即测试集的信息“污染”了训练过程，使模型评估结果虚高。正确的做法是：先划分，再分别用训练集的统计量（最大值、最小值）去归一化训练集和测试集。

2.3 数据集划分策略

% 设置随机种子，确保结果可复现 rng(2024); % 决定划分比例，常见的是 70%训练，15%验证，15%测试 trainRatio = 0.7; valRatio = 0.15; testRatio = 0.15; % 计算各集合的样本数 numSamples = size(featuresNorm, 1); numTrain = round(trainRatio * numSamples); numVal = round(valRatio * numSamples); numTest = numSamples - numTrain - numVal; % 随机打乱索引 indices = randperm(numSamples); % 划分索引 trainInd = indices(1:numTrain); valInd = indices(numTrain+1:numTrain+numVal); testInd = indices(numTrain+numVal+1:end); % 创建最终的数据集 xTrain = featuresNorm(trainInd, :); tTrain = labelsNorm(trainInd, :); xVal = featuresNorm(valInd, :); tVal = labelsNorm(valInd, :); xTest = featuresNorm(testInd, :); tTest = labelsNorm(testInd, :); % 保存划分好的数据集，方便后续调用 save(‘split_data.mat‘, ‘xTrain‘, ‘tTrain‘, ‘xVal‘, ‘tVal‘, ‘xTest‘, ‘tTest‘);

验证集（Validation Set）的作用经常被忽视。它不参与最终权重更新，而是在每个训练周期（Epoch）后用来评估模型当前的表现，主要用于监控模型是否过拟合，以及作为早停（Early Stopping）和超参数调优的依据。没有验证集，你的调参就是盲人摸象。

3. 核心构建：选择与搭建你的神经网络

数据准备好了，现在进入核心环节：造模型。MATLAB的神经网络工具箱非常强大，但对于新手，面对patternnet,fitnet,feedforwardnet这些函数可能会懵。我们以最常用的前馈神经网络（BP神经网络）和拟合回归问题为例。

3.1 创建网络对象：理解fitnet的隐藏参数

fitnet是用于函数拟合（回归）问题的前馈网络创建函数。它的第一个参数是隐藏层神经元个数，可以是一个数组来定义多层。

% 创建一个单隐藏层，包含10个神经元的拟合网络 hiddenLayerSize = 10; net = fitnet(hiddenLayerSize); % 查看网络结构 view(net)

运行view(net)会弹出一个框图，直观展示输入-隐藏层-输出的连接。但创建网络只是第一步，更重要的是配置它的训练参数，这些参数藏在net.trainParam和net.divideParam里。

% 1. 设置数据划分函数（我们已经手动划分好了，所以这里要告诉网络） net.divideFcn = ‘divideind‘; % 使用索引划分 net.divideParam.trainInd = trainInd; net.divideParam.valInd = valInd; net.divideParam.testInd = testInd; % 2. 配置关键训练参数 net.trainParam.epochs = 1000; % 最大训练迭代次数 net.trainParam.goal = 1e-5; % 训练目标误差（均方误差） net.trainParam.lr = 0.01; % 学习率 (Learning Rate) net.trainParam.showWindow = true; % 显示训练进度窗口 net.trainParam.showCommandLine = false; % 不在命令行显示 net.trainParam.max_fail = 20; % 验证集误差连续上升次数，用于早停 % 3. （可选）选择训练算法 % net.trainFcn = ‘trainlm‘; % Levenberg-Marquardt（默认，快，但耗内存） % net.trainFcn = ‘trainbr‘; % Bayesian Regularization（抗过拟合好，但慢） % net.trainFcn = ‘trainscg‘; % Scaled Conjugate Gradient（内存友好）

关于训练算法的选择：这是第一个需要你根据实际情况做决策的点。

• trainlm（默认）：对于中小型数据集（几百个样本）通常是首选，收敛速度极快。但如果你的数据量很大（上万），或者特征很多，它可能会耗尽内存。
• trainbr：贝叶斯正则化。这是我个人在数学建模中非常推荐的一种算法，因为它自带防止过拟合的正则化效果。在数据量有限、模型可能复杂时，它能给出更稳健的预测。代价是训练速度慢。
• trainscg：缩放共轭梯度法。在内存受限或数据集非常大时使用。它不需要计算海森矩阵，节省内存。

对于数学建模，我建议你先用trainlm快速跑通流程，如果发现验证集误差很早就开始上升（过拟合迹象），再换用trainbr试试。

3.2 网络训练与过程监控

配置好后，训练就是一行命令，但如何解读训练窗口里的信息是关键。

% 开始训练！注意，输入x和目标t都需要是转置后的 [特征数×样本数] 格式 % 这是MATLAB神经网络工具箱的一个常见易错点 [net, tr] = train(net, xTrain‘, tTrain‘);

训练会弹出一个窗口，里面有四条曲线：

1. 蓝色实线（Training）：训练集误差。它应该持续下降。
2. 绿色虚线（Validation）：验证集误差。这是最重要的曲线。它的变化趋势揭示了模型的泛化能力。
   • 理想情况：训练误差和验证误差一起平稳下降，最后都趋于平缓且值接近。
   • 过拟合：训练误差持续下降，但验证误差在某个点后开始持续上升。这意味着模型记住了训练数据的噪声，而非规律。max_fail参数就是监控这个的，验证误差连续上升max_fail次后，训练会自动停止（早停），并返回验证误差最低的那个模型状态。
   • 欠拟合：两条误差曲线都很高，且下降缓慢或很早就停滞了。说明模型复杂度不够，无法捕捉数据中的规律。
3. 红色虚线（Test）：测试集误差。在训练过程中，测试集完全不参与，它的曲线只是用来最终参考。训练结束后，我们用测试集做最终的唯一评估。
4. 黑色点虚线（Goal）：目标误差线。

训练结束后，tr结构体包含了详细的训练记录，如tr.best_epoch（最佳验证性能对应的迭代次数），这个信息对于写论文分析非常有用。

4. 模型评估、预测与可视化

模型训练好了，怎么知道它行不行？不能光靠感觉，必须用数据说话。

4.1 进行预测与反归一化

% 使用训练好的网络进行预测（同样要注意转置） yTrainPred = net(xTrain‘); yValPred = net(xVal‘); yTestPred = net(xTest‘); % 将预测值从归一化空间转换回原始数据空间 yTrainPred_original = mapminmax(‘reverse‘, yTrainPred, ps_output); yValPred_original = mapminmax(‘reverse‘, yValPred, ps_output); yTestPred_original = mapminmax(‘reverse‘, yTestPred, ps_output); % 同样，将真实标签也反归一化，方便对比 tTrain_original = mapminmax(‘reverse‘, tTrain‘, ps_output); tVal_original = mapminmax(‘reverse‘, tVal‘, ps_output); tTest_original = mapminmax(‘reverse‘, tTest‘, ps_output);

切记：所有评估指标（如RMSE, R²）都应在反归一化后的原始数据上计算。在归一化后的数据上计算指标会严重失真，没有实际意义。

4.2 关键评估指标计算与解读

对于回归问题，最常用的几个指标如下：

% 计算均方根误差 (RMSE) - 衡量预测值与真实值的平均偏差，单位与y相同 rmse_train = sqrt(mean((yTrainPred_original - tTrain_original).^2)); rmse_test = sqrt(mean((yTestPred_original - tTest_original).^2)); % 计算平均绝对百分比误差 (MAPE) - 相对误差，适合不同量级数据的比较 mape_train = mean(abs((yTrainPred_original - tTrain_original) ./ tTrain_original)) * 100; mape_test = mean(abs((yTestPred_original - tTest_original) ./ tTest_original)) * 100; % 计算决定系数 (R-squared, R²) - 衡量模型对数据波动的解释能力 % R² = 1 - (SS_residual / SS_total) ss_res_train = sum((tTrain_original - yTrainPred_original).^2); ss_tot_train = sum((tTrain_original - mean(tTrain_original)).^2); r2_train = 1 - (ss_res_train / ss_tot_train); ss_res_test = sum((tTest_original - yTestPred_original).^2); ss_tot_test = sum((tTest_original - mean(tTest_original)).^2); r2_test = 1 - (ss_res_test / ss_tot_test); fprintf(‘训练集 — RMSE: %.4f, MAPE: %.2f%%, R²: %.4f\n‘, rmse_train, mape_train, r2_train); fprintf(‘测试集 — RMSE: %.4f, MAPE: %.2f%%, R²: %.4f\n‘, rmse_test, mape_test, r2_test);

如何解读：

• RMSE：越小越好。对比你预测目标的实际取值范围，如果RMSE只有取值范围的百分之几，通常说明模型不错。
• MAPE：小于10%通常认为预测精度较高，但也要看具体领域。
• R²：取值范围在0到1之间（也可能为负，说明模型比直接用均值预测还差）。越接近1越好。在数学建模论文中，R²是一个非常有说服力的指标。关键要看测试集的R²，它才是模型泛化能力的真实反映。如果训练集R²很高（>0.95）而测试集R²很低（<0.6），那就是典型的过拟合。

4.3 结果可视化：让评委一眼看懂

一图胜千言，在论文中放入高质量的分析图能极大提升印象分。

figure(‘Position‘, [100, 100, 1200, 400]); % 设置大图窗 % 子图1：预测值 vs 真实值散点图 + 完美预测线 subplot(1, 3, 1); scatter(tTest_original, yTestPred_original, 20, ‘b‘, ‘filled‘); hold on; plot([min(tTest_original), max(tTest_original)], [min(tTest_original), max(tTest_original)], ‘r--‘, ‘LineWidth‘, 2); hold off; xlabel(‘真实值‘); ylabel(‘预测值‘); title(sprintf(‘测试集预测 vs 真实 (R²=%.3f)‘, r2_test)); grid on; legend(‘数据点‘, ‘y=x 参考线‘, ‘Location‘, ‘best‘); % 子图2：误差分布直方图 subplot(1, 3, 2); errors = yTestPred_original - tTest_original; histogram(errors, 20, ‘FaceColor‘, ‘g‘, ‘EdgeColor‘, ‘k‘); xlabel(‘预测误差‘); ylabel(‘频数‘); title(‘测试集误差分布‘); grid on; % 在图上标注均值和标准差 mean_err = mean(errors); std_err = std(errors); text(0.7, 0.9, sprintf(‘均值: %.3f\n标准差: %.3f‘, mean_err, std_err), ... ‘Units‘, ‘normalized‘, ‘FontSize‘, 10, ‘BackgroundColor‘, ‘w‘); % 子图3：按样本顺序的预测对比图 subplot(1, 3, 3); sampleIndex = 1:length(tTest_original); plot(sampleIndex, tTest_original, ‘b-o‘, ‘LineWidth‘, 1.5, ‘MarkerSize‘, 4, ‘DisplayName‘, ‘真实值‘); hold on; plot(sampleIndex, yTestPred_original, ‘r-s‘, ‘LineWidth‘, 1.5, ‘MarkerSize‘, 4, ‘DisplayName‘, ‘预测值‘); hold off; xlabel(‘测试样本序号‘); ylabel(‘数值‘); title(‘测试集样本对比‘); legend(‘Location‘, ‘best‘); grid on;

这三张图构成了一个完整的评估视图：散点图看整体相关性，直方图看误差是否服从正态分布（理想情况），样本对比图看模型在局部细节上的拟合能力。

5. 模型调优与集成：从能用变到好用

如果你的基线模型（比如单隐层10神经元）效果不理想，别急着放弃。神经网络有大量的“旋钮”可以调节。

5.1 超参数调优实战：网格搜索与交叉验证

手动调参效率低，我们可以用简单的循环实现网格搜索。这里以调整隐藏层神经元数量和训练算法为例。

% 定义要搜索的参数组合 hiddenSizes = {5, 10, 15, [5, 5], [10, 5]}; % 尝试不同结构 trainFcns = {‘trainlm‘, ‘trainbr‘, ‘trainscg‘}; % 初始化存储最佳结果的变量 bestR2 = -inf; bestNet = []; bestParams = struct(‘hiddenSize‘, [], ‘trainFcn‘, ‘‘); fprintf(‘开始超参数网格搜索...\n‘); for i = 1:length(hiddenSizes) for j = 1:length(trainFcns) fprintf(‘测试组合: 隐藏层 %s, 算法 %s ... ‘, mat2str(hiddenSizes{i}), trainFcns{j}); % 创建网络 net_temp = fitnet(hiddenSizes{i}, trainFcns{j}); net_temp.divideFcn = ‘divideind‘; net_temp.divideParam.trainInd = trainInd; net_temp.divideParam.valInd = valInd; net_temp.divideParam.testInd = testInd; net_temp.trainParam.showWindow = false; % 关闭窗口，加速 net_temp.trainParam.showCommandLine = false; % 训练网络 [net_temp, tr_temp] = train(net_temp, xTrain‘, tTrain‘); % 在测试集上评估 yPred_temp = net_temp(xTest‘); yPred_original_temp = mapminmax(‘reverse‘, yPred_temp, ps_output); % 计算R² ss_res = sum((tTest_original - yPred_original_temp).^2); ss_tot = sum((tTest_original - mean(tTest_original)).^2); r2_temp = 1 - (ss_res / ss_tot); fprintf(‘测试集 R² = %.4f\n‘, r2_temp); % 记录最佳模型 if r2_temp > bestR2 bestR2 = r2_temp; bestNet = net_temp; bestParams.hiddenSize = hiddenSizes{i}; bestParams.trainFcn = trainFcns{j}; end end end fprintf(‘\n最佳参数组合：\n‘); fprintf(‘ 隐藏层结构: %s\n‘, mat2str(bestParams.hiddenSize)); fprintf(‘ 训练算法: %s\n‘, bestParams.trainFcn); fprintf(‘ 测试集 R²: %.4f\n‘, bestR2);

这个简单的网格搜索能帮你快速定位一个相对较好的参数范围。更高级的方法可以使用MATLAB的优化工具箱或手动实现贝叶斯优化。

5.2 集成学习：用简单方法提升稳定性

单个神经网络可能不稳定，特别是对于小数据集。集成多个模型可以降低方差，提升泛化能力。这里实现一个简单的Bagging（自助聚合）方法。

numModels = 10; % 集成10个模型 ensemblePredictions = zeros(size(yTestPred_original)); for m = 1:numModels fprintf(‘训练集成模型 %d/%d...\n‘, m, numModels); % 1. 自助采样 (Bootstrap Sampling)：从训练集中有放回地随机抽取同样数量的样本 bootstrapIndices = randsample(length(trainInd), length(trainInd), true); xTrain_boot = xTrain(bootstrapIndices, :); tTrain_boot = tTrain(bootstrapIndices, :); % 2. 训练一个基学习器（使用之前找到的最佳参数） net_ensemble = fitnet(bestParams.hiddenSize, bestParams.trainFcn); net_ensemble.divideFcn = ‘divideind‘; % 注意：这里我们用自助采样集训练，但验证集和测试集不变，用于早停和最终评估 net_ensemble.divideParam.trainInd = 1:size(xTrain_boot,1); net_ensemble.divideParam.valInd = []; % 为了简化，这里不用验证集，实际可划分 net_ensemble.divideParam.testInd = []; net_ensemble.trainParam.showWindow = false; % 3. 训练 [net_ensemble, ~] = train(net_ensemble, xTrain_boot‘, tTrain_boot‘); % 4. 在测试集上预测并反归一化 yPred_temp = net_ensemble(xTest‘); yPred_original_temp = mapminmax(‘reverse‘, yPred_temp, ps_output); ensemblePredictions = ensemblePredictions + yPred_original_temp; end % 5. 取平均作为集成模型的最终预测 ensemblePredictions = ensemblePredictions / numModels; % 6. 评估集成模型 ss_res_ensemble = sum((tTest_original - ensemblePredictions).^2); ss_tot_ensemble = sum((tTest_original - mean(tTest_original)).^2); r2_ensemble = 1 - (ss_res_ensemble / ss_tot_ensemble); rmse_ensemble = sqrt(mean((tTest_original - ensemblePredictions).^2)); fprintf(‘\n集成模型（%d个）结果：\n‘, numModels); fprintf(‘ 测试集 R²: %.4f\n‘, r2_ensemble); fprintf(‘ 测试集 RMSE: %.4f\n‘, rmse_ensemble);

集成学习几乎总能带来一点性能提升，更重要的是它让结果更稳定。在论文中，你可以对比单一模型和集成模型的R²和RMSE，并讨论稳定性的提升。

6. 代码封装、部署与论文写作要点

模型满意了，最后一步是把它打包成一个完整的、可交付的项目。

6.1 创建可复现的主脚本与函数

不要把所有代码堆在一个脚本里。一个好的实践是创建主脚本和若干函数文件。

主脚本main_neural_network_modeling.m：

%% MATLAB神经网络数学建模可执行代码 - 主脚本 % 作者：[你的名字] % 日期：2024-05-27 % 描述：用于[具体问题，如：房价预测、销量预测]的BP神经网络建模全流程 clear; close all; clc; % 清空环境 addpath(‘./utils‘); % 添加工具函数路径 %% 第一步：数据加载与预处理 fprintf(‘第一步：数据加载与预处理...\n‘); [features, labels, ps_input, ps_output] = load_and_preprocess(‘your_data.csv‘); %% 第二步：数据集划分 fprintf(‘第二步：数据集划分...\n‘); [xTrain, tTrain, xVal, tVal, xTest, tTest, trainInd, valInd, testInd] = ... split_dataset(features, labels, 0.7, 0.15, 0.15); %% 第三步：模型训练 fprintf(‘第三步：模型训练...\n‘); [net, tr] = train_neural_network(xTrain, tTrain, xVal, tVal, trainInd, valInd, testInd); %% 第四步：模型评估与可视化 fprintf(‘第四步：模型评估...\n‘); metrics = evaluate_model(net, xTest, tTest, ps_output); plot_results(net, xTest, tTest, ps_output, metrics); %% 第五步：（可选）模型保存 save(‘trained_neural_network_model.mat‘, ‘net‘, ‘ps_input‘, ‘ps_output‘, ‘tr‘, ‘metrics‘); fprintf(‘模型已保存至 trained_neural_network_model.mat\n‘); %% 第六步：使用模型预测新数据示例 % load(‘trained_neural_network_model.mat‘); % 加载已保存的模型 % newData = [1.2, 3.4, 5.6; ...]; % 新数据，需要与训练数据特征数相同 % prediction = predict_with_model(net, newData, ps_input, ps_output); % fprintf(‘新数据的预测结果为：%.4f\n‘, prediction);

工具函数示例utils/evaluate_model.m：

function metrics = evaluate_model(net, xTest, tTest, ps_output) % 评估模型在测试集上的性能 % 输入：训练好的网络net，测试集输入xTest，测试集目标tTest，输出归一化参数ps_output % 输出：包含各项评估指标的结构体metrics % 预测 yTestPred = net(xTest‘); yTestPred_original = mapminmax(‘reverse‘, yTestPred, ps_output); tTest_original = mapminmax(‘reverse‘, tTest‘, ps_output); % 计算指标 errors = yTestPred_original - tTest_original; metrics.RMSE = sqrt(mean(errors.^2)); metrics.MAE = mean(abs(errors)); metrics.MAPE = mean(abs(errors ./ tTest_original)) * 100; ss_res = sum(errors.^2); ss_tot = sum((tTest_original - mean(tTest_original)).^2); metrics.R2 = 1 - (ss_res / ss_tot); % 打印结果 fprintf(‘\n========== 模型评估结果 ==========\n‘); fprintf(‘均方根误差 (RMSE): %.4f\n‘, metrics.RMSE); fprintf(‘平均绝对误差 (MAE): %.4f\n‘, metrics.MAE); fprintf(('平均绝对百分比误差 (MAPE): %.2f%%\n‘, metrics.MAPE); fprintf(‘决定系数 (R²): %.4f\n‘, metrics.R2); fprintf(‘==================================\n‘); end

这样组织代码，逻辑清晰，易于调试和分享。别人拿到你的代码，只需要运行主脚本，就能复现全部结果。

6.2 模型部署：生成独立可执行文件或函数

如果你需要将模型集成到其他系统，或者给不会MATLAB的人使用，可以考虑编译。

1. 生成函数：使用genFunction将网络转换为纯MATLAB代码函数。

   genFunction(net, ‘myNeuralNetworkFunction‘);

   这会生成一个myNeuralNetworkFunction.m文件，里面包含了网络的所有权重和计算逻辑，不依赖神经网络工具箱即可运行，只需要基本的MATLAB环境。

2. 编译为独立应用（需要MATLAB Compiler）：

   % 创建一个入口函数，例如 deploy_predict.m function result = deploy_predict(inputData) load(‘trained_network.mat‘, ‘net‘, ‘ps_input‘, ‘ps_output‘); % 预处理输入数据（例如归一化） inputNorm = mapminmax(‘apply‘, inputData‘, ps_input)‘; % 预测 outputNorm = net(inputNorm‘); % 反归一化 result = mapminmax(‘reverse‘, outputNorm, ps_output)‘; end % 在命令行使用mcc编译 % mcc -m deploy_predict.m -a trained_network.mat

6.3 数学建模论文中的写作要点

最后，模型再好，也需要在论文中清晰地表达出来。在你的数学建模论文“模型建立与求解”部分，关于神经网络模型，你需要阐述清楚以下几点：

1. 模型选择依据：为什么选择神经网络（而非线性回归、决策树等）？可以提及数据可能存在复杂非线性关系，而神经网络是通用的函数逼近器。
2. 网络结构图：使用view(net)命令生成结构图，插入论文中。清晰地标注输入层、隐藏层（含神经元数）、输出层。
3. 数据预处理细节：说明如何处理缺失值、异常值，以及为什么进行归一化，归一化的区间是多少。
4. 数据集划分：明确说明训练集、验证集、测试集的比例和划分方法（如随机划分），并强调验证集用于防止过拟合。
5. 训练参数：列出关键超参数，如隐藏层神经元数、训练算法（如Levenberg-Marquardt）、学习率、最大迭代次数、早停条件等。
6. 评估指标与结果：展示测试集上的RMSE、MAPE、R²等指标。务必提供测试集的结果，以证明泛化能力。用上文中绘制的预测对比图、误差分布图来直观展示效果。
7. 模型对比：如果尝试了不同的网络结构或参数，可以用表格对比它们的性能，并说明最终选择某个模型的理由。
8. 模型局限性：客观讨论模型的不足，例如对数据量的要求、可能存在的过拟合风险、可解释性相对较差等，这体现了思考的全面性。

记住，可执行的代码是基础，但能让代码在论文中“讲故事”，才是数学建模获奖的关键。从数据到模型，从评估到展示，形成一个完整、严谨、可复现的逻辑闭环，你的工作就具备了强大的说服力。