該樓層疑似違規(guī)已被系統(tǒng)折疊?隱藏此樓查看此樓

神經網絡初始化

從數據庫下載訓練程序和預測數據，初始化神經網絡結構、權值和函數參數，并對訓練數據進行歸一化處理。其中，input、output分別為訓練輸

入和輸出數據，input_test、output_test分別為預測輸入和輸出數據。

%從數據庫下載數據

load distance input output input_test output_test

%網絡結構初始化

M=4；

N=1；

n=6；

%權值和參數學習率

lr1=0.01；

lr2=0.001；

maxgen=100； %網絡迭代學習次數

%網絡權值初始化

Wjk=randn(n,M)；

Wij=randn(N,n)；

a=randn(1,n)；

b=randn(1,n)；

%權值學習增量初始化

d_Wjk=zeros(n,M)；

d_Wjk=zeros(N,n)；

d_a=zeros(1,n)；

d_b=zeros(1,n)；

%訓練數據歸一化

[inputn,inputps]=mapminmax(input')；

[outputn,outputps]=mapminmax(output')；

inputn=inputn'；

outputn=outputn'；

用訓練數據訓練神經網絡，使神經網絡具有短時過駁滑道長度的預測能力。

%網絡訓練

for i=1:maxgen

error(i)=0； %記錄每次誤差

%網絡訓練

for kk=1:size(input,1)

%提取輸入輸出數據

x=inputn(kk,:)；

yqw=outputn(kk,:)；

%網絡預測輸出

for j=1:n

for k=1:M

net(j)=net(j)+Wjk(j,k)*x(k)；

net_ab(j)=(net(j)-b(j))/a(j)；

end

temp=mymorlet(net_ab(j))；

for k=1:N

y=y+Wij(k,j)*temp；

end

end

%誤差累計

error(i)=error(i)+sum(abs(yqw-y))；

%權值修正

for j=1:n

%計算d_Wij(Wij修正值)

temp=mymorlet(net_ab(j))；

for k=1:N

d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp；

end

%計算d_Wij(Wij修正值)

temp=d_mymorlet(net_ab(j))；

for k=1:M

for 1=1:N

d_Wjk(j,k)=d_Wjk(j,k)+(yqw(1)-y(1)*Wij(1,j)；

end

d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j)；

end

%計算d_b(b修正值)

for k=1:N

d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j)；

end

d_b(j)=d_b(j)*temp/a(j)；

%計算d_a(a修正值)

for k=1:N

d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j)；

end

d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j)；

end

% 權值參數更新

Wij=Wij-lr1*d_Wij；

Wjk=Wjk-lr1*d_Wjk；

b=b-lr2*d_b；

a=a-lr2*d_a；

d_Wjk=zeros(n,M)；

d_Wij=zeros(N,n)；

d_a=zeros(1,n)；

d_b=zeros(1,n)；

y=zeros(1,N)；

net=zeros(1,n);

net_ab=zeros(1,n)；

end

end

其中，程序包含的函數mymorlet以及偏導函數d_mymorlet的形式如下：

function y=mymorlet(t)

% 該函數計算函數輸出

% t input 輸入變量

% y output 輸出變量

y=exp(-(t.^2)/2)*cos(1.75*t)；

function y=d_mymorlet(t)

% 該函數用于計算函數偏導函數輸出

% t input 輸入變量

% y output 輸出變量

y =-1.75*sin(1.75*t).*exp(-(t.^2)/2)-t*cos(1.75*t).*exp(-(t.^2)/2)；

用訓練好的神經網絡預測短時間過駁滑道的距離，并以圖形的形式表示神經網絡預測結果。

%預測輸入歸一化

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

x=x'；

%網絡預測

for i=1:92

x_test=x(i,:)；

for j=1:1:n

for k=1:1:M

net(j)=net(j)+Wjk(j,k)*x_test(k)；

net_ab(j)=(net(j)-b(j))/a(j)；

end

temp=mymorlet(net_ab(j))；

for k=1:N

y(k)=y(k)+Wij(k,j)*temp；

end

end

yuce(i)=y(k)； %預測結果記錄

y=zeros(1,N)； %輸出節(jié)點初始化

net=zeros(1,n)； %隱含節(jié)點初始化

net_ab=zeros(1,n)； %隱含節(jié)點初始化

end

%網絡預測反歸一化

ynn=mapmonmax('reverse',yuce,outputps)；

figure(1)

plot(ynn,'r:')

hold on

polt(output_test,'b- -')

title('預測過駁滑道長度',fontsize',12)

legend('預測過駁滑道長度','實際過駁滑道長度')

xlabel('時間點')

ylabel('過駁滑道長度')

總結

以上是生活随笔為你收集整理的matlab小波神经网络,MATLAB 小波神经网络预测求助大神的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。