matlab 神经模型,MATLAB bp神经网络模型

最新推荐文章于 2024-03-27 15:42:41 发布

卢远瞩

最新推荐文章于 2024-03-27 15:42:41 发布

阅读量476

点赞数

文章标签： matlab 神经模型

function main()

clc % 清屏

close all; % 关闭当前所有figure图像

warning off; % 屏蔽没有必要的警告

SamNum=20; % 输入样本数量为20

TestSamNum=20; % 测试样本数量也是20

ForcastSamNum=2;% 预测样本数量为2

HiddenUnitNum=8;% 中间层隐节点数量取8

InDim=2; % 网络输入维度为2

OutDim=5; % 网络输出维度为5

% 原始数据

%星级

star_rating=[5,5,5,5,5,5,5,5,5,5,5,5];

%可靠性

reliability=[0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022,0.9022];

% 喜欢因素

love=[0,0,0,0,0,0.9022,0.9022,0,0,0,0,0.9022,0.9022,0,0.9022,0.9022,0.9022,0.9022,0,0.9022];

%运输因素

transportation=[0,0,0,0,0,0,0.9022,0,0,0,0,0,0,0,0,0,0,0,0,0];

%功能质量因素

functions=[0,0,0,0,0.9022,0.9022,0,0.9022,0.9022,0.9022,0,0.9022,0,0.9022,0,0,0.9022,0,0.9022,0];

%价格因素

prize=[0.9022,0.9022,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9022,0,0.9022,0];

%尺寸因素

size=[0,0.9022,0,0.9022,0.9022,0,0.9022,0.9022,0,0.9022,0.9022,0,0,0.9022,0.9022,0,0.9022,0,0.9022,0];

p=[star_rating;reliability]; % 输入数据矩阵

t=[love;transportation;functions;prize;size]; % 目标数据矩阵

[SamIn,minp,maxp]=premnmx(p);

[tn,mint,maxt]=premnmx(t);

% 原始样本对(输入和输出)初始化

rand('state',sum(100*clock));

sum(100*clock); % 依据系统时钟种子产生随机数

NoiseVar=0.01; % 噪声强度为0.01(添加噪声的目的是为了防止网络过度拟合)

Noise=NoiseVar*randn(5,SamNum); % 生成噪声

SamOut=tn+Noise; % 将噪声添加到输出样本上

TestSamIn=SamIn; % 这里取输入样本与测试样本相同，因为样本容量偏少

TestSanOut=SamOut; % 也取输出样本与测试样本相同

MaxEpochs=50000; % 最多训练次数为50000

lr=0.035; % 学习速率为0.035

E0=0.65*10^(-3); % 目标误差为0.65*10^(-3)

W1=0.5*rand(HiddenUnitNum,InDim)-0.1;% 初始化输入层与隐含层之间的权值

B1=0.5*rand(HiddenUnitNum,1)-0.1;% 初始化输入层与隐含层之间的权值

W2=0.5*rand(OutDim,HiddenUnitNum)-0.1;% 初始化输出层与隐含层之间的权值

B2=0.5*rand(OutDim,1)-0.1;% 初始化输出层与隐含层之间的权值

ErrHistory=[]; % 给中间变量预先占据内存

for i=1:MaxEpochs

HiddenOut=logsig(W1*SamIn+repmat(B1,2,SamNum)); % 隐含层网络输出

NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum); %输出层网络输出

Error=SamOut-NetworkOut; % 实际输出与网络输出之差

SSE=sumsqr(Error); % 能量函数(误差平方和)

ErrHistory=[ErrHistory SSE];

if SSE

% 以下6行是BP网络最核心的程序

% 它们是权值(阙值)依据能量函数负梯度下降原理所做的每一步动态调整

Delta2=Error;

Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);

% 对输出层与隐含层之间的权值和阙值进行修正

dW2=Delta2*HiddenOut';

dB2=Delta2*ones(SamNum,1);

% 对输入层与隐含层之间的权值和阙值进行修正

dW1=Delta1*SamIn';

dB1=Delta1*ones(SamNum,1);

W2=W2+lr*dW2;

B2=B2+lr*dB2;

W1=W1+lr*dW1;

B1=B1+lr*dB1;

end

HiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum)); % 隐含层输出最终结果

NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum); % 输出层输出最终结果

a=postmnmx(NetworkOut,mint,maxt); % 还原网络输出层的结果

x=[love,transportation,functions,pize,size ]; % 时间轴刻度

newk=a(1,:); % 网络输出属性占比值

newk=a(2,:); %网络输出属性占比质

figure;

subplot(2,1,1);plot(x,newk,'r-o',x,love,'b--+'); % 绘制5星喜爱属性图