- 积分
- 3
- 注册时间
- 2010-8-8
- 仿真币
-
- 最后登录
- 1970-1-1
|
本帖最后由 messenger 于 2010-8-29 17:24 编辑
最近在做一道利用模糊神经网络进行水质评价的题:
在对网络进行训练时往往需要一组历史数据、理论数据或者所谓的标准数据,可是在一般的评价问题中,一般是没有可供参考的标准数据值(因为往往评价的指标以及打分方式都是由评价者来确定的),于是往往就需要人工产生一组数据,可是却不知道如何产生这组数据的目标值,对于这一类问题,请问有没有人遇见过呢?你一般是如何解决的呢?
以下是对该模糊网络进行训练的代码(代码中知识随机产生了训练数据,并没有产生训练数据的目标值):- %% 清空环境变量
- clc
- clear
- %% 参数初始化
- xite=0.001;
- alfa=0.05;
- %网络节点
- I=4; %输入节点数
- M=12; %隐含节点数
- 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;
- b=1+rands(M,I);b_1=b;b_2=b_1;
- maxgen=100; %进化次数
- %% 随机产生一组训练数据
- input_train(1,:)=100*rand(1,300);
- input_train(2,:)=1000*rand(1,300);
- input_train(3,:)=5*rand(1,300);
- input_train(4,:)=5*rand(1,300);
- input_test(1,:)=100*rand(1,300);
- input_test(2,:)=1000*rand(1,300);
- input_test(3,:)=5*rand(1,300);
- input_test(4,:)=5*rand(1,300);
- %%
- %选连样本输入输出数据归一化
- [inputn,inputps]=mapminmax(input_train);
- [n,m]=size(input_train);
- %% 网络训练
- %循环开始,进化网络
- for iii=1:maxgen
- %iii
- 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));
- 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);
-
- 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';
- %网络预测计算
- yn(k)=addyw/addw;
- e(k)=outputn(k)-yn(k);%误差计算不能实现
-
- %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','fontsize',12)
- title('训练数据预测','fontsize',12)
- xlabel('样本序号','fontsize',12)
- ylabel('水质等级','fontsize',12)
- %% 网络预测
- %数据归一化
- inputn_test=mapminmax('apply',input_test,inputps);
- [n,m]=size(inputn_test);
- for k=1:m
- x=inputn_test(:,k);
-
- %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')
- legend('预测输出''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)
复制代码 |
|