%% 清空环境变量
clc
clear
X=[18.9 993 662 6.7 1.92 411 438
16.6 952 702 6.7 2 279 278
20.9 926 658 6.9 2.08 378 439
17 966 674 6.6 2 335 314
18.1 1108 689 7.1 1.6 243 209
18.4 883 637 6.6 2 379 371
18.3 1012 685 6.4 2 391 395
20.7 1119 684 6.5 1.68 383 411
18.9 929 719 6.3 1.76 383 358
18.8 1071 681 6.4 1.84 381 383
18.1 940 722 6.8 1.8 386 396
18.9 984 655 6.5 1.6 375 385
18.8 999 717 6.3 1.68 368 365
18.6 926 681 6.6 1.68 356 338
18.9 927 699 6.3 1.8 373 367
18.7 872 730 6.5 1.2 355 321
11.4 444 698 1.7 0 175 115
11.3 896 590 7.1 1.44 71 52
17 981 655 7.2 1.68 152 181
17 1133 733 7.2 1.75 332 341
18.7 1138 711 6.8 1.92 341 341
18.9 993 662 6.7 1.92 411 438
16.6 952 702 6.7 2 279 278
18.9 926 658 6.9 2.08 378 439
20.7 1084 694 6.4 2 346 364
18.9 1040 668 6.6 2 365 351
18.7 1067 727 6.9 2.04 401 360
18.8 1048 732 7.1 2.08 332 270
19.1 1177 680 6.5 1.92 372 370
19.1 1130 735 5.8 1.76 362 298
18.4 1111 700 6.7 1.68 385 369
18.9 1157 714 6.4 1.84 374 348
17.7 1112 687 7.2 2 355 301
19.3 1162 713 6.8 2.04 358 352
20.6 1090 729 6.9 2.16 314 326
20.7 1060 552 6.5 2 369 387
17.1 1135 691 6.6 1.92 370 355
20.6 1087 702 6.7 1.93 395 408
20.7 1141 722 6.7 2 393 427
19 1131 677 6.7 1.88 396 362
20.6 1123 710 5.8 2 379 388
20.1 1150 690 7 2.04 379 363
19.4 1023 714 6.6 1.92 398 328
17.1 1062 729 5.3 1.96 324 324
20.6 1140 712 6.4 2.06 312 415
19.7 1049 711 6.7 1.44 401 310
17.1 1074 645 6.6 2 347 324
17.3 1059 702 6.4 1.6 346 372
];
%% 数据累加作为网络输入
[n,m]=size(X);
for i=1:n
y(i,1)=sum(X(1:i,1));
y(i,2)=sum(X(1:i,2));
y(i,3)=sum(X(1:i,3));
y(i,4)=sum(X(1:i,4));
y(i,5)=sum(X(1:i,5));
y(i,6)=sum(X(1:i,6));
y(i,7)=sum(X(1:i,7));
end
%% 网络参数初始化
a=0.3+rand(1)/4;
b1=0.3+rand(1)/4;
b2=0.3+rand(1)/4;
b3=0.3+rand(1)/4;
b4=0.3+rand(1)/4;
b5=0.3+rand(1)/4;
b6=0.3+rand(1)/4;
%% 学习速率初始化
u1=0.0015;
u2=0.0015;
u3=0.0015;
u4=0.0015;
u5=0.0015;
u6=0.0015;
%% 权值阀值初始化
t=1;
w11=a;
w21=-y(1,1);
w22=2*b1/a;
w23=2*b2/a;
w24=2*b3/a;
w25=2*b4/a;
w26=2*b5/a;
w27=2*b6/a;
w31=1+exp(-a*t);
w32=1+exp(-a*t);
w33=1+exp(-a*t);
w34=1+exp(-a*t);
w35=1+exp(-a*t);
w36=1+exp(-a*t);
w37=1+exp(-a*t);
theta=(1+exp(-a*t))*(b1*y(1,2)/a+b2*y(1,3)/a+b3*y(1,4)/a+b4*y(1,5)/a+b5*y(1,6)/a+b6*y(1,7)/a-y(1,1));
kk=1;
%% 循环迭代
for j=1:7
%循环迭代
E(j)=0;
for i=1:48
%% 网络输出计算
t=i;
LB_b=1/(1+exp(-w11*t)); %LB层输出
LC_c1=LB_b*w21; %LC层输出
LC_c2=y(i,2)*LB_b*w22; %LC层输出
LC_c3=y(i,3)*LB_b*w23; %LC层输出
LC_c4=y(i,4)*LB_b*w24; %LC层输出
LC_c5=y(i,5)*LB_b*w25; %LC层输出
LC_c6=y(i,6)*LB_b*w26;
LC_c7=y(i,7)*LB_b*w27;%LC层输出
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6+w37*LC_c7; %LD层输出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2+w27*y(i,7)/2-y(1,1)); %阀值
ym=LD_d-theta; %网络输出值
yc(i)=ym;
%% 权值修正
error=ym-y(i,1); %计算误差
E(j)=E(j)+abs(error); %误差求和
error1=error*(1+exp(-w11*t)); %计算误差
error2=error*(1+exp(-w11*t)); %计算误差
error3=error*(1+exp(-w11*t));
error4=error*(1+exp(-w11*t));
error5=error*(1+exp(-w11*t));
error6=error*(1+exp(-w11*t));
error7=error*(1+exp(-w11*t));
error8=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*(w21*error1+w22*error2+w23*error3+w24*error4+w25*error5+w26*error6+w27*error7);
%修改权值
w22=w22-u1*error2*LB_b;
w23=w23-u2*error3*LB_b;
w24=w24-u3*error4*LB_b;
w25=w25-u4*error5*LB_b;
w26=w26-u5*error6*LB_b;
w27=w27-u6*error7*LB_b;
w11=w11+a*t*error8;
end
end
%画误差随进化次数变化趋势
figure(1)
plot(E)
title('训练误差','fontsize',8);
xlabel('进化次数','fontsize',8);
ylabel('误差','fontsize',8);
%print -dtiff -r600 28-3
%根据训出的灰色神经网络进行预测
for i=41:48
t=i;
LB_b=1/(1+exp(-w11*t)); %LB层输出
LC_c1=LB_b*w21; %LC层输出
LC_c2=y(i,2)*LB_b*w22; %LC层输出
LC_c3=y(i,3)*LB_b*w23; %LC层输出
LC_c4=y(i,4)*LB_b*w24; %LC层输出
LC_c5=y(i,5)*LB_b*w25;
LC_c6=y(i,6)*LB_b*w26;
LC_c7=y(i,7)*LB_b*w27;
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6+w37*LC_c7; %LD层输出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2+w27*y(i,7)/2-y(1,1)); %阀值
ym=LD_d-theta; %网络输出值
yc(i)=ym;
end
yc=yc;
y(:,1)=y(:,1);
%计算预测的每月需求量
for j=48:-1:2
ys(j)=(yc(j)-yc(j-1))/10;
end
figure(2)
plot(ys(41:48),'-*');
hold on
plot(X(41:48,1),'r
');
legend('灰色神经网络','烧结终点')
title('灰色系统预测','fontsize',8)
xlabel('月份','fontsize',8)
ylabel('销量','fontsize',8)
1372
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
