當(dāng)前位置：首頁 > 人工智能 > 循环神经网络 >内容正文

循环神经网络

自适应模糊神经网络算法,matlab模糊神经网络实例

發(fā)布時(shí)間：2023/12/20 循环神经网络 26 豆豆

生活随笔收集整理的這篇文章主要介紹了自适应模糊神经网络算法,matlab模糊神经网络实例小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

用MATLAB做的模糊神經(jīng)網(wǎng)絡(luò)代碼

您好，是這樣的：經(jīng)過訓(xùn)練后的參數(shù)比較差，用原數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，得出結(jié)果和要的結(jié)果誤差很大，不明白是怎么回事？還有要是多輸入多輸出這段程序該怎么改？模糊神經(jīng)網(wǎng)絡(luò)可以用matlab工具箱實(shí)現(xiàn)嗎？

還有輸入數(shù)據(jù)差別比較大（就是大小差異大）是不是要進(jìn)行歸一化再學(xué)習(xí)訓(xùn)練呢？求解，求解答！對于你的幫助不勝感激！

clear allclcclose alltic,%[x,y]=data;x=[1 2 3 4 5 6 7 8;-1 -2 -3 -4 -5 -6 -7 -8];y=[2 3 4 5 6 7 8 9]; %%%%%--數(shù)據(jù)顯示，輸入為－兩輸入，輸出為－單輸出。

--------樣本為p2組[p1,p2]=size(x); % 隸屬度函數(shù)個(gè)數(shù)k=7;% 初始化四個(gè)隸屬度函數(shù)的參數(shù)A,B及輸出層初始權(quán)值Wfor i=1:p1; for j=1:k;m(i,j)=1+0.6*rand(1);b(i,j)=1+0.6*rand(1);endendfor j=1:k*k;w(j)=1+rand(1);end%%%---推理計(jì)算輸出值for q=1:p2;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隸屬度參數(shù)對輸入樣本 X 累計(jì)計(jì)算% 選用高斯函數(shù)作為隸屬度，求隸屬度，共 size(x,2)+k 個(gè)。

x(1) K個(gè)，x(2) K個(gè)for i=1:p1;for j=1:k;u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);endend% 模糊推理計(jì)算：a21,a22.幾個(gè)隸屬度函數(shù)，得出幾個(gè)值，此處已知輸入為2%%%%----由以前的取小做法改為相乘—prod(x,1) or prod(x,2)———v=[];for i=1:kfor j=1:k v=[v,u(1,i)*u(2,j)];endend% 歸一化計(jì)算模糊推理的值；相當(dāng)于已經(jīng)除去了經(jīng)典去模糊輸出的分母值for i=1:length(v);v1(i)=v(i)/sum(v);end% 系統(tǒng)輸出% out1(q)=w*v';% e(q)=(y(q)-out1(q));% end% out=out1out1(q)=w*v1';e(q)=y(q)-out1(q);endout=out1;%－三。

參數(shù)修正過程。

增加方式，非批處理方式迭代%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%－－－－－－－－---------------------誤差反向傳播過程－－－-----------------------------------------% 取誤差函數(shù)：E＝(1/2)*sumsqr(t-y)E=(1/2)*sumsqr(y-out);EE=E;% e=sum(y-out)lr=0.3; % c2=zeros(2,2);%%%%----------------------------------------誤差反傳后的參數(shù)修正過程-------------------r=1; %p=1;s=1000; %% e(r)=y(r)-out(r);while p0.05%%%%%%%%%%%%%_____隸屬度參數(shù) M. B 輸出層權(quán)值參數(shù) W 的修正過程_____%%%%%%%%%%%%%%1.--Wwc=zeros(1,k*k);for i=1:k*k;wc(i)=-lr*e(r)*v1(i);end%%2.--Mmc=zeros(p1,k);for i=1:p1;for j=1:k;mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2);endend%%3.--Bbc=zeros(p1,k);for i=1:p1;for j=1:k;bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3);endend% 4.參數(shù)修正 m b wm=m-mc;b=b-bc;w=w-wc;%%%%%%%%%%%_______利用修正后的參數(shù)重新計(jì)算_____________%%%%%%%%%%%%%%%%%%%%%% 5.利用修正過的參數(shù)重新計(jì)算輸出for q=1:p2; for i=1:p1;for j=1:k;u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);endendv=[];for i=1:7for j=1:7 v=[v,u(1,i)*u(2,j)];endend% 歸一化計(jì)算模糊推理的值；相當(dāng)于已經(jīng)除去了經(jīng)典去模糊輸出的分母值for i=1:length(v)v1(i)=v(i)/sum(v);endout1(q)=w*v1';endout=out1;p=p+1;EE=(1/2)*sumsqr(y-out);E(p)=EE;r=r+1;if r>p2r=1;ende(r)=(y(r)-out(r));end%%%%%%%%%%%%%%%%%%%________________當(dāng)誤差或迭代步數(shù)滿足要求后得到結(jié)果_________________%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%m,b,w,E_out=EE,eepoch=1:size(E,2);figureplot(epoch,E,'-r');% plot(epoch,out(1),'b');% axis([0 1.5*s min(E) max(E)]);% set(gca,'fontsize',8);% set(gca,'xtick',0:s/10:1.5*s);%set(gca,'ytick',1e-30:1e5:1e5);%set(gcf,'color','b')title('誤差變化曲線');xlabel('步數(shù)');ylabel('誤差');toc%% %% 泛化過程。

谷歌人工智能寫作項(xiàng)目：神經(jīng)網(wǎng)絡(luò)偽原創(chuàng)

求matlab大神幫幫忙，做模糊神經(jīng)網(wǎng)絡(luò)預(yù)測

用matlabR2014a軟件，可以進(jìn)行BP模糊神經(jīng)網(wǎng)絡(luò)預(yù)測寫作貓。

現(xiàn)以人口預(yù)測為例說明其實(shí)現(xiàn)過程：% 清空環(huán)境變量clc,clf,close all% x為原始序列t=1990:2009; ?%年份x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128]; ?%某地區(qū)人口數(shù)，要預(yù)測2010-2016年的某地區(qū)人口數(shù)。

t=1:length(x);lag=2;?fn=length(t);[f_out,iinput]=BP(x,lag,fn); %調(diào)用神經(jīng)網(wǎng)絡(luò)函數(shù)[x' iinput']R2=corrcoef(x,iinput)%預(yù)測年份或某一時(shí)間段t1=length(x)+1:length(x)+7;%預(yù)測步數(shù)為fnfn=length(t1); ? [f_out,iinput]=BP(x,lag,fn);P=vpa(f_out,5);t=1990:2009;t1=2010:2016;[t1' P']% 畫出預(yù)測圖figure(6),plot(t,x,'b*-'),hold onplot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid ontitle('BP神經(jīng)網(wǎng)絡(luò)預(yù)測某地區(qū)人口數(shù)','fontsize',12)xlabel('年份'),ylabel('人口數(shù)');legend('1990-2009年人口變化數(shù)','2010-2016年人口預(yù)測數(shù)');。

模糊神經(jīng)網(wǎng)絡(luò)matlab

還有輸入數(shù)據(jù)差別比較大（就是大小差異大）是不是要進(jìn)行歸一化再學(xué)習(xí)訓(xùn)練呢？求解，求解答！對于你的幫助不勝感激！

clear allclcclose alltic,%[x,y]=data;x=[1 2 3 4 5 6 7 8;-1 -2 -3 -4 -5 -6 -7 -8];y=[2 3 4 5 6 7 8 9]; %%%%%--數(shù)據(jù)顯示，輸入為－兩輸入，輸出為－單輸出。

參數(shù)修正過程。

matlab模糊推理代碼問題

分為兩類:功能型工具箱和領(lǐng)域型工具箱。功能型工具箱主要用來擴(kuò)充MATLAB的符號(hào)計(jì)算功能、圖形建模仿真功能、文字處理功能以及與硬件實(shí)時(shí)交互功能，能用于多種學(xué)科。領(lǐng)域型工具箱是專業(yè)性很強(qiáng)的。

如圖像處理工具箱(Image Processing Toolbox)、控制工具箱(Control Toolbox)、信號(hào)處理工具箱(Signal Processing Toolbox)等。

下面，將MATLAB工具箱內(nèi)所包含的主要內(nèi)容做簡要介紹： 1) 圖像處理工具箱(Image Processing Toolbox)。

* 二維濾波器設(shè)計(jì)和濾波 * 圖像恢復(fù)增強(qiáng) * 色彩、集合及形態(tài)操作 * 二維變換 * 圖像分析和統(tǒng)計(jì) 可由結(jié)構(gòu)圖直接生成可應(yīng)用的C語言源代碼。

2)控制系統(tǒng)工具箱(Control System Toolbox)。

魯連續(xù)系統(tǒng)設(shè)計(jì)和離散系統(tǒng)設(shè)計(jì) * 狀態(tài)空間和傳遞函數(shù) * 模型轉(zhuǎn)換 * 頻域響應(yīng)：Bode圖、Nyquist圖、Nichols圖 * 時(shí)域響應(yīng)：沖擊響應(yīng)、階躍響應(yīng)、斜波響應(yīng)等 * 根軌跡、極點(diǎn)配置、LQG 3)財(cái)政金融工具箱(FinancialTooLbox)。

* 成本、利潤分析，市場靈敏度分析 * 業(yè)務(wù)量分析及優(yōu)化 * 偏差分析 * 資金流量估算 * 財(cái)務(wù)報(bào)表 4)頻率域系統(tǒng)辨識(shí)工具箱(Frequency Domain System ldentification Toolbox * 辨識(shí)具有未知延遲的連續(xù)和離散系統(tǒng) * 計(jì)算幅值／相位、零點(diǎn)／極點(diǎn)的置信區(qū)間 * 設(shè)計(jì)周期激勵(lì)信號(hào)、最小峰值、最優(yōu)能量諾等 5)模糊邏輯工具箱(Fuzzy Logic Toolbox)。

* 友好的交互設(shè)計(jì)界面 * 自適應(yīng)神經(jīng)—模糊學(xué)習(xí)、聚類以及Sugeno推理 * 支持SIMULINK動(dòng)態(tài)仿真 * 可生成C語言源代碼用于實(shí)時(shí)應(yīng)用 (6)高階譜分析工具箱(Higher—Order SpectralAnalysis Toolbox * 高階譜估計(jì) * 信號(hào)中非線性特征的檢測和刻畫 * 延時(shí)估計(jì) * 幅值和相位重構(gòu) * 陣列信號(hào)處理 * 諧波重構(gòu) (7) 通訊工具箱(Communication Toolbox)。

令提供100多個(gè)函數(shù)和150多個(gè)SIMULINK模塊用于通訊系統(tǒng)的仿真和分析 ——信號(hào)編碼 ——調(diào)制解調(diào) ——濾波器和均衡器設(shè)計(jì) ——通道模型 ——同步 (8)線性矩陣不等式控制工具箱(LMI Control Toolbox)。

* LMI的基本用途 * 基于GUI的LMI編輯器 * LMI問題的有效解法 * LMI問題解決方案 (9)模型預(yù)測控制工具箱(ModelPredictive Control Toolbox * 建模、辨識(shí)及驗(yàn)證 * 支持MISO模型和MIMO模型 * 階躍響應(yīng)和狀態(tài)空間模型 (10)u分析與綜合工具箱(u-Analysis and Synthesis Toolbox) * u分析與綜合 * H2和H無窮大最優(yōu)綜合 * 模型降階 * 連續(xù)和離散系統(tǒng) * u分析與綜合理論 (11)神經(jīng)網(wǎng)絡(luò)工具箱(Neursl Network Toolbox)。

* BP，Hopfield，Kohonen、自組織、徑向基函數(shù)等網(wǎng)絡(luò) * 競爭、線性、Sigmoidal等傳遞函數(shù) * 前饋、遞歸等網(wǎng)絡(luò)結(jié)構(gòu) * 性能分析及應(yīng)用 (12)優(yōu)化工具箱(Optimization Toolbox)。

* 線性規(guī)劃和二次規(guī)劃 * 求函數(shù)的最大值和最小位 * 多目標(biāo)優(yōu)化 * 約束條件下的優(yōu)化 * 非線性方程求解 (13)偏微分方程工具箱(Partial DifferentialEquation Toolbox)。

* 二維偏微分方程的圖形處理 * 幾何表示 * 自適應(yīng)曲面繪制， * 有限元方法 (14)魯棒控制工具箱(Robust Control Toolbox)。

* LQG／LTR最優(yōu)綜合 * H2和H無窮大最優(yōu)綜合 * 奇異值模型降階 * 譜分解和建模 (15)信號(hào)處理工具箱(signal Processing Toolbox) * 數(shù)字和模擬濾波器設(shè)計(jì)、應(yīng)用及仿真 * 譜分析和估計(jì) * FFT，DCT等變換 * 參數(shù)化模型 (16)樣條工具箱(SPline Toolbox)。

* 分段多項(xiàng)式和B樣條 * 樣條的構(gòu)造 * 曲線擬合及平滑 * 函數(shù)微分、積分(17)統(tǒng)計(jì)工具箱(Statistics Toolbox)。

* 概率分布和隨機(jī)數(shù)生成 * 多變量分析 * 回歸分析 * 主元分析 * 假設(shè)檢驗(yàn) (18)符號(hào)數(shù)學(xué)工具箱(Symbolic Math Toolbox)。

* 符號(hào)表達(dá)式和符號(hào)矩陣的創(chuàng)建 * 符號(hào)微積分、線性代數(shù)、方程求解 * 因式分解、展開和簡化 * 符號(hào)函數(shù)的二維圖形 * 圖形化函數(shù)計(jì)算器 (19)系統(tǒng)辨識(shí)工具箱(SystEm Identification Toolbox) * 狀態(tài)空間和傳遞函數(shù)模型 * 模型驗(yàn)證 * MA，AR，ARMA等 * 基于模型的信號(hào)處理 * 譜分析 (20)小波工具箱(Wavelet Toolbox)。

* 基于小波的分析和綜合 * 圖形界面和命令行接口 * 連續(xù)和離散小波變換及小波包 * 一維、二維小波 * 自適應(yīng)去噪和壓縮。

matlab中自帶的模糊神經(jīng)網(wǎng)絡(luò)如何操作的？

我上次發(fā)給你的程序，只要你從網(wǎng)上下一個(gè)matcom45就行了，直接裝在c盤就可以了，你發(fā)給我的論文變量太多用一般的遺傳算法不行，我從網(wǎng)上發(fā)現(xiàn)了一個(gè)PID神經(jīng)網(wǎng)絡(luò)，相當(dāng)好用，不用計(jì)算隱層數(shù)目，很適合用遺傳算法進(jìn)行優(yōu)化，我編了一個(gè)例程回來發(fā)給你。

我真的不會(huì)用matlab的工具箱，如果一定要用matlab來做優(yōu)化，恐怕我?guī)筒涣四懔恕槭裁匆欢ㄒ胢atlab，用C++自己編寫不也很好嗎？

求一段神經(jīng)網(wǎng)絡(luò)MATLAB代碼 50

function [presim ss net] = simnonlin( y,d,n )% y-- 時(shí)間序列數(shù)據(jù)，列向量% d-- 時(shí)間延遲參數(shù)，正整數(shù)% n--用于訓(xùn)練的點(diǎn)的個(gè)數(shù)，正整數(shù)trainset = gettrain(y,d);inputs = trainset(:,1:end-1)';targets = trainset(:,end)';net = feedforwardnet(20,'trainscg');% net = newff(inputs,targets,40);% net = train(net,inputs,targets);net=train(net,inputs,targets);presim(1:d)=y(end-d+1:end);for i = d+1:d + npresim(i) = sim(net,presim(i-d:i-1)');endss = presim(d+1:end)';end調(diào)用示例：t=[1:100]';y = exp(-0.1*t).*sin(t);d=10;n=80;sim = simnonlin( y,d,n );。

matlab中用RBF神經(jīng)網(wǎng)絡(luò)做預(yù)測的代碼怎么寫

clc;clearall;closeall;%%----BuildatrainingsetofasimilarversionofXORc_1=[00];c_2=[11];c_3=[01];c_4=[10];n_L1=20;%numberoflabel1n_L2=20;%numberoflabel2A=zeros(n_L1*2,3);A(:,3)=1;B=zeros(n_L2*2,3);B(:,3)=0;%createrandompointsfori=1:n_L1A(i,1:2)=c_1+rand(1,2)/2;A(i+n_L1,1:2)=c_2+rand(1,2)/2;endfori=1:n_L2B(i,1:2)=c_3+rand(1,2)/2;B(i+n_L2,1:2)=c_4+rand(1,2)/2;end%showpointsscatter(A(:,1),A(:,2),[],'r');holdonscatter(B(:,1),B(:,2),[],'g');X=[A;B];data=X(:,1:2);label=X(:,3);%%Usingkmeanstofindcintervectorn_center_vec=10;rng(1);[idx,C]=kmeans(data,n_center_vec);holdonscatter(C(:,1),C(:,2),'b','LineWidth',2);%%Calulatesigman_data=size(X,1);%calculateKK=zeros(n_center_vec,1);fori=1:n_center_vecK(i)=numel(find(idx==i));end%UsingknnsearchtofindKnearestneighborpointsforeachcentervector%thencalucatesigmasigma=zeros(n_center_vec,1);fori=1:n_center_vec[n,d]=knnsearch(data,C(i,:),'k',K(i));L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);L2=sum(L2(:));sigma(i)=sqrt(1/K(i)*L2);end%%Calutateweights%kernelmatrixk_mat=zeros(n_data,n_center_vec);fori=1:n_center_vecr=bsxfun(@minus,data,C(i,:)).^2;r=sum(r,2);k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));endW=pinv(k_mat'*k_mat)*k_mat'*label;y=k_mat*W;%y(y>=0.5)=1;%y(y。

matlab 在神經(jīng)網(wǎng)絡(luò) 模糊控制

首先要明白模糊控制的含義及模糊控制器的設(shè)計(jì)過程，一般包括模糊化，建立規(guī)則，模糊推理，清晰化等過程，然后神經(jīng)網(wǎng)絡(luò)（重點(diǎn)是BP神經(jīng)網(wǎng)絡(luò)的計(jì)算過程和BP算法），然后用matlab編程實(shí)現(xiàn)一遍，基本就能弄清楚了。

matlab很好學(xué)的，又稱傻瓜語言。建議你看模糊控制、神經(jīng)網(wǎng)絡(luò)各一本教材，然后嘗試用matlab實(shí)現(xiàn)一遍，基本就能學(xué)會(huì)了。

總結(jié)

以上是生活随笔為你收集整理的自适应模糊神经网络算法,matlab模糊神经网络实例的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇：最后一位被整除 oracle,【CTF
下一篇： Mybatis_Plus日常开发遇到问题