matlab获取样本的程序,利用matlab神经网络水质评价中训练样本的希望输出如何获......

%% 清空环境变量

clc

clear

%% 参数初始化

xite=0.01; %%%%%%精度要求

alfa=0.05;  %%%%%学习率

%网络节点

I=4;   %输入节点数

M=8;  %隐含节点数  有8个隶属度函数

O=1;   %输出节点数

%系数初始化

p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1;

p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1;

p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1;

p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1;

p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1;

%参数初始化

c=1+rands(M,I);c_1=c;c_2=c_1;   %模糊隶属度函数中心 随机得到

b=1+rands(M,I);b_1=b;b_2=b_1;   %模糊隶属度函数宽度

maxgen=1500; %进化次数

%网络测试数据，并对数据归一化

load data1 input_train output_train input_test output_test

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train);   %mapminmax函数将原始数据归一化到0-1之间

[outputn,outputps]=mapminmax(output_train);    %outputn为希望输出

[n,m]=size(input_train);   %input_train是n行m列矩阵

%% 网络训练

%循环开始，进化网络

for iii=1:maxgen

for k=1:m

x=inputn(:,k);

%输出层结算

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));   %%各输入变量的隶属度

end

end

%模糊规则计算

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i);

end

addw=sum(w);   %%%计算Y的分母

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4);

end

addyw=yi*w';   %%%计算Y的分子

%网络预测计算

yn(k)=addyw/addw;           %%%实际输出

e(k)=outputn(k)-yn(k);       %%%希望值与实际值偏差

%计算p的变化值

d_p=zeros(M,1);

d_p=xite*e(k)*w./addw;

d_p=d_p';

%计算b变化值

d_b=0*b_1;

for i=1:M

for j=1:I

d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);

end

end

%更新c变化值

for i=1:M

for j=1:I

d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);

end

end

p0=p0_1+ d_p+alfa*(p0_1-p0_2);

p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);

p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);

p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);

p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);

b=b_1+d_b+alfa*(b_1-b_2);

c=c_1+d_c+alfa*(c_1-c_2);

p0_2=p0_1;p0_1=p0;

p1_2=p1_1;p1_1=p1;

p2_2=p2_1;p2_1=p2;

p3_2=p3_1;p3_1=p3;

p4_2=p4_1;p4_1=p4;

c_2=c_1;c_1=c;

b_2=b_1;b_1=b;

end

E(iii)=sum(abs(e));

end

figure(1);

plot(outputn,'r')

hold on

plot(yn,'b')

hold on

plot(outputn-yn,'g');

legend('实际输出','预测输出','误差','fontsize',12)

title('训练数据预测','fontsize',12)

xlabel('样本序号','fontsize',12)

ylabel('评价等级','fontsize',12)

%% 网络预测

%数据归一化

inputn_test=mapminmax('apply',input_test,inputps);%%%%mapminmax函数将原始数据归一化到0-1之间

[n,m]=size(inputn_test)

for k=1:m

x=inputn_test(:,k);    %%%%提取训练样本

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

yc(k)=addyw/addw;

end

%预测结果反归一化

test_simu=mapminmax('reverse',yc,outputps);

%作图

figure(2)

plot(output_test,'r')

hold on

plot(test_simu,'b')

hold on

plot(test_simu-output_test,'g')

legend('实际输出','预测输出','误差','fontsize',12)

title('测试数据预测','fontsize',12)

xlabel('样本序号','fontsize',12)

ylabel('水质等级','fontsize',12)