matlab模糊神经网络数据类型,matlab编写模糊神经网络问题

受hgsz2003启发，我在hgsz2003上传的模糊神经网络程序的基础上了作了一些修改(主要修改了反向传播修改权值的过程，因为hgsz2003的那部分程序是错误的)，得到了比较完整的基于mamdani模型的模糊神经网络程序，但是运行下来，程序结果并不是太理想，还求各位高手帮忙指点！！！！！万分感谢！！！

程序如下：

clear all

clc

close all

tic,

%[x,y]=data;

x=[1 1 1 1 1 1 1 1;

1 2 3 4 5 6 7 8];

y=[2 3 4 5 6 7 8 9]; %%%%%--数据显示，输入为－两输入，输出为－单输出。--------样本为p2组

[p1,p2]=size(x);

% 隶属度函数个数

k=7;

% 初始化四个隶属度函数的参数A,B及输出层初始权值W

for i=1:p1;

for j=1:k;

m(i,j)=1+0.6*rand(1);

b(i,j)=1+0.6*rand(1);

end

end

for j=1:k*k;

w(j)=1+rand(1);

end

%%%---推理计算输出值

for q=1:p2;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隶属度参数对 输入样本 X 累计计算

% 选用高斯函数作为隶属度，求隶属度，共 size(x,2)+k 个。x(1) K个，x(2) K个

for i=1:p1;

for j=1:k;

u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

end

end

% 模糊推理计算：a21,a22.几个隶属度函数，得出几个值，此处已知输入为2

%%%%----由以前的取小做法改为相乘—prod(x,1) or prod(x,2)———

v=[];

for i=1:k

for j=1:k

v=[v,u(1,i)*u(2,j)]

end

end

% 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值

for i=1:length(v);

v1(i)=v(i)/sum(v);

end

% 系统输出

% out1(q)=w*v';

% e(q)=(y(q)-out1(q));

% end

% out=out1

out1(q)=w*v1';

e(q)=y(q)-out1(q)

end

out=out1;

%－ 三。参数修正过程。 增加方式，非批处理方式迭代

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%－－－－－－－－---------------------误差反向传播过程－－－-----------------------------------------

% 取误差函数：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);

%%%%----------------------------------------误差反传后的参数修正过程-------------------

r=1; %

p=1;

s=1000; %

% e(r)=y(r)-out(r);

while p<=s & EE>1e-3

%%%%%%%%%%%%%_____隶属度参数 M. B 输出层权值参数 W 的修正过程_____%%%%%%%%%%%%

%%1.--W

wc=zeros(1,k*k);

for i=1:k*k;

wc(i)=(-1)*lr*e(r)*v1(i);

end

%%2.--M,B

mc=zeros(p1,k);

bc=zeros(p1,k);

delta_5=e(r);

delta_4=delta_5*w;  %第四层的局部梯度为k*k維向量

for j=1:k*k

delta_3(j)=delta_4(j)*(sum(v)-v(j))/(sum(v))

end

for i=1:p1;

for j=1:k;

if i==j

delta_2(i,j)=0;

else

delta_2(1,j)=sum(delta_3)*u(2,j)*u(i,j);

delta_2(2,j)=sum(delta_3)*u(1,j)*u(i,j);

end

mc(i,j)=lr*(-2)*delta_2(i,j)*(x(i,r)-m(i,j))/b(i,j)^2

bc(i,j)=lr*(-2)*delta_2(i,j)*(x(i,r)-m(i,j))^2/b(i,j)^3

end

end

% 4.参数修正 m b w

m=m-mc;

b=b-bc;

w=w-wc;

%%%%%%%%%%%_______利用修正后的参数重新计算_____________%%%%%%%%%%%%%%%%%%%%%

% 5.利用修正过的参数重新计算输出

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)]);

end

end

v=[];

for i=1:7

for j=1:7

v=[v,u(1,i)*u(2,j)]

end

end

% 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值

for i=1:length(v);

v1(i)=v(i)/sum(v);

end

out1(q)=w*v1';

end

out=out1

p=p+1;

EE=(1/2)*sumsqr(y-out);

E(p)=EE;

r=r+1;

if r>p2

r=1;

end

e(r)=(y(r)-out(r));

end

%%%%%%%%%%%%%%%%%%%________________当误差或迭代步数满足要求后得到结果_________________%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

m,b,w,E_out=EE,e

epoch=1:size(E,2);

figure

plot(epoch,E,'-r');

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('误差变化曲线');xlabel('步数');ylabel('误差');

toc

%% %% 泛化过程