MATLAB仿真及其简单应用
酒三兩KHAN
目前就读于管理学博士学位课程,研究方向:交通大数据分析,道路图像分割与检测,区块链工程与应用,物流与供应链管理等。
展开
-
基于BP的强分类器设计
基于BP_Adaboost的强分类器设计1.基于BP_Adaboost的强预测器预测%% 清空环境变量clcclear%% 下载数据load data1 input output%% 权重初始化k=rand(1,2000);[m,n]=sort(k);%训练样本input_train=input(n(1:1900),:)';output_train=output(n(1:1900),:)';%测试样本input_test=input(n(1901:2000),:)';o原创 2020-08-03 19:40:40 · 408 阅读 · 1 评论 -
离散Hopfield神经网络的联想记忆——数字识别
离散Hopfield神经网络的联想记忆——数字识别%% 清空环境变量clear allclc%% 数据导入load data1 array_oneload data2 array_two%% 训练样本(目标向量) T = [array_one;array_two]'; %% 创建网络 net = newhop(T); %% 数字1和2的带噪声数字点阵(固定法)load data1_noisy noisy_array_oneload data2_noisy noisy_arr原创 2020-07-28 20:16:21 · 2193 阅读 · 1 评论 -
BP神经网络的非线性系统建模
BP神经网络的非线性系统建模1.BP神经网络的非线性系统建模%% 清空环境变量clcclear%% 训练数据预测数据提取及归一化%下载输入输出数据load data input output%从1到2000间随机排序k=rand(1,2000);[m,n]=sort(k);%找出训练数据和预测数据input_train=input(n(1:1900),:)';output_train=output(n(1:1900));input_test=input(n(1901:200原创 2020-07-17 22:19:47 · 1381 阅读 · 0 评论 -
Evolutionary Multi-Objective Optimization Platform
I. Release NotesThe architecture of PlatEMO is simplified, which leads to lower learning cost and higher efficiency. The result file size is also reduced. cd(fileparts(mfilename('fullpath'))); addpath(genpath(cd)); if isempty(varargin) i原创 2020-07-16 21:46:24 · 397 阅读 · 0 评论 -
极限学习机在回归拟合及分类问题中的应用研究——对比实验
极限学习机在回归拟合及分类问题中的应用研究——对比实验1.极限学习机在分类问题中的应用研究%% 清空环境变量clear allclcwarning off%% 导入数据load data.mat% 随机产生训练集/测试集a = randperm(569);Train = data(a(1:500),:);Test = data(a(501:end),:);% 训练数据P_train = Train(:,3:end)';T_train = Train(:,2)';% 测试数据原创 2020-07-15 21:47:03 · 1142 阅读 · 4 评论 -
RBF网络的回归--非线性函数回归的实现
RBF网络的回归–非线性函数回归的实现首先通过严格径向基网络来实现非线性的函数回归,然后利用RBF网络对同一函数拟合。可以看出拟合效果还是非常不错的。%% 清空环境变量clcclear%% 产生训练样本(训练输入,训练输出)% ld为样本例数ld=400; % 产生2*ld的矩阵 x=rand(2,ld); % 将x转换到[-1.5 1.5]之间x=(x-0.5)*1.5*2; % x的第一行为x1,第二行为x2.x1=x(1,:);x2=x(2,:);% 计算网络输出原创 2020-07-14 21:01:08 · 1607 阅读 · 0 评论 -
基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选
基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选%% 清空环境变量clcclear%% 产生输入 输出数据% 设置步长interval=0.01;% 产生x1 x2x1=-1.5:interval:1.5;x2=-1.5:interval:1.5;% 产生x3 x4(噪声)x=rand(1,301);x3=(x-0.5)*1.5*2;x4=(x-0.5)*1.5*2;% 按照函数先求得相应的函数值,作为网络的输出。F =20+x1.^2-10*cos(2*原创 2020-07-13 22:24:16 · 4131 阅读 · 6 评论 -
Realization of customized neural network---personal modeling and simulation of neural network
定制神经网络的实现——神经网络的个性化建模与仿真%% 清空环境变量clear allclcwarning off%% 建立一个“空”神经网络net = network%% 输入与网络层数定义 net.numInputs = 2;net.numLayers = 3;%% 使用view(net)观察神经网络结构。view(net)% 此时神经网络有两个输入,三个神经元层。但请注意:net.numInputs设置的是% 神经网络的输入个数,每个输入的维数是由net.inputs{i}原创 2020-07-12 22:32:58 · 237 阅读 · 0 评论 -
基于灰色神经网络的订单需求预测算法研究
基于灰色神经网络的订单需求预测算法研究这灰色神经网络准确度就尼玛离谱,调试了半天还是那样,太菜了太菜了。%% 清空环境变量clcclearload data%% 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));原创 2020-07-06 15:35:10 · 1416 阅读 · 9 评论 -
小波神经网络的时间序列预测——关于短时交通流量的预测
小波神经网络的时间序列预测——关于短时交通流量的预测需要注意的是这里需要两个子程序函数的调用。总体而言程序不算复杂,也少有互相嵌套的情况出现,下一步应该往提高准确率的方向进行改进,进一步提高程序的可应用性和可操作性,此外,还可以尝试一下大规模短时间的交通流量预测,应当可以对车辆路径优化问题以及车货配载等问题提供一定的数据支持。clcclear%% 网络参数配置load traffic_flux input output input_test output_testM=size(input,2原创 2020-07-05 21:02:33 · 3476 阅读 · 9 评论 -
插值与拟合简单应用
一维插值步骤1.输入已知数据2.输入待插自变量的值x=1:12;y=[6 8 10 15 26 81 51 50 22 23 25 34];x1=1:0.1:12;t=interp1(x,y,x1,'spline');%plot(x1,t,'r:') xlabel('x'),ylabel('y')二维插值步骤1.首先输入X、Y坐标值2.输入Z的数据3.输入待插入点的x,y坐标4.然后进行函数插值x=1:5;y=1:3;temps=[77 51 60 52 44;59 83原创 2020-07-04 21:36:45 · 971 阅读 · 0 评论 -
连续Hopfield神经网络的优化——旅行商问题优化计算
连续Hopfield神经网络的优化——旅行商问题优化计算%% 清空环境变量、定义全局变量clear allclcglobal A D%% 导入城市位置load city_location%% 计算相互城市间距离distance = dist(citys,citys');%% 初始化网络N = size(citys,1);A = 200;D = 100;U0 = 0.1;step = 0.0001;delta = 2 * rand(N,N) - 1;U = U0 * lo原创 2020-07-03 19:55:55 · 3673 阅读 · 11 评论 -
GRNN网络的预测----基于广义回归神经网络的货运量预测
GRNN网络的预测----基于广义回归神经网络的货运量预测程序分为使用交叉验证的GRNN神经网络预测程序(前者)、BP和GRNN效果比较程序(后者)注意:由于是比较两种网络结果,需要先运行前者后运行后者,以保证两网络使用了相同的数据进行训练。%清空环境变量clc;clear allclose allnntwarn off;%载入数据load data;% 将数据分成训练和预测两类p_train=p(1:12,:);t_train=t(1:12,:);p_test=p(13,:)原创 2020-07-02 23:15:58 · 2110 阅读 · 3 评论 -
三种常用算法初步编程示意
bal ball了,编了几小时,点个赞⑧。以下都是算法的基本应用,具体到某个场景,可以通过更改目标函数、约束条件等实现,若是有更新奇的想法,可以在编码方式,算子运行机制、约束条件、接收恶劣解等中进行改进,但更普遍的是更改算法参数,也就是所谓的调参,来进行算法的优化。1.遗传算法clear allpopsize=20; %群体大小chromlength=10; %字符串长度(个体长度)pc=0.6; %交叉概率pm=0.001; %变异概率pop=initpop(popsize,chroml原创 2020-07-01 20:07:00 · 729 阅读 · 0 评论 -
MATLAB仿真及其简单应用
聚类分析作为一种常用方法,其主要流程分为以下几步。1.将数据展示在面板上% 随机生成5个中心以及标准差s = rng(5,'v5normal');zhong = round((rand(5,2)-0.5)*40);yi= round(rand(5,2)*30)/6;X = [mvnrnd(mu(1,:),sigma(1,:),200);mvnrnd(mu(2,:),sigma(2,:),300);mvnrnd(mu(3,:),sigma(3,:),400)];mvnrnd(mu(4,:),原创 2020-06-30 20:40:11 · 2655 阅读 · 0 评论