clc
clear
load traffic_flux input output input_test output_test
M=size(input,2); %输入节点个数 size(A,2)意思是加载A矩阵的列数,如果是1的话就是加载行数。M为输入变量个数
N=size(output,2); %输出节点个数,同上,此代码是输出表格的列数,即输出变量的个数
n=6; %隐含层神经元个数
%上面部分为网络结构输入层,隐含层,输出层结构。
%权值和学习率,权值进行第二次迭代变换时,lr1和lr2作为偏导的系数决定权值改变的大小快慢,或者可以解释为步长。
lr1=0.01;
lr2=0.001;
maxgen=500; %系统迭代次数最高为100次
%网络权值初始化
%Wij是输入层和隐含层之间的权重,Wij是隐含层和输出层的权重,从矩阵行列个数就能看出来。而a、b是小波函数上下伸缩和左右拉长的系数。
Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1;
a=randn(1,n);a_1=a;a_2=a_1;
b=randn(1,n);b_1=b;b_2=b_1;
%节点初始化
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
%权值学习增量初始化,用于后面计算:Wij=Wij-lr1*d_Wij;,相当于是原文推导中的偏导
d_Wjk=zeros(n,M);
小波神经网络简单代码
最新推荐文章于 2023-08-24 18:17:48 发布
这段代码展示了如何使用小波神经网络进行交通流量预测。首先定义网络结构,然后进行权值初始化,接着通过迭代训练调整权值。训练数据经过归一化处理,最后进行预测并画出预测与实际流量对比图。
摘要由CSDN通过智能技术生成