BP神经网络和混沌神经网络

%------------初始化---------------------% clear all;close all; innode=1;hiddennode=15;outnode=1; %输入层4个节点，隐含层7个，输出层1个 W_F=0.1*rand(hiddennode,innode); %初始化输入层到隐层的权值 W_B=4*rand(hiddennode,1); %初始化混沌反馈层权值 W_O=0.1*rand(1,hiddennode); %设置隐层和输出层间权值(隐层有7个节点，输出层有1个节点，故需1*7矩阵) W_T=0.1*rand(hiddennode,1); %初始化隐层阈值 H_B=rand(hiddennode,1); %初始化混沌反馈层输出 H_F=zeros(hiddennode,1); H=zeros(hiddennode,1); Delta_W_F=zeros(hiddennode,innode); Delta_W_O=zeros(1,hiddennode); Delta_W_T=zeros(hiddennode,1); Delta_W_B=zeros(hiddennode,1); u0=0.000075; %学习率 a=0.000065; Epx=0; P=zeros(hiddennode,1); out3=zeros(outnode,1); output=zeros(outnode,80);%存储实际输出数据 %----------------读取训练样本---------------------% format long fi=fopen('C:\Users\Administrator\Documents\MATLAB\BP\MDT.txt'); [te,count]=fscanf(fi,'%f',inf); %从文件中读数据到te中，读到的数据的个数放到count中 fclose(fi); %关闭文件 iteration=count/(innode+outnode); %得到读入数据的组数 f=fopen('C:\Users\Administrator\Documents\MATLAB\BP\MDT.txt'); %再次打开文件 [temp,count1]=fscanf(f,'%f ',[(innode+outnode),iteration]); %按组读入数据 data=temp'; %data等于temp的转置data为iteration*（innode+outnode）矩阵 %------------输入输出数据归一化-----------------------% for i=1:(outnode+innode) maxi=data(1,i);mini=data(1,i); for j=2:iteration if maxi>data(j,i) ma(i)=maxi; else ma(i)=data(j,i); end maxi=ma(i); if mini<data(j,i) mi(i)=mini; else mi(i)=data(j,i); end mini=mi(i); end end %找到所有数据中的最大值和最小值 for i=1:(outnode+innode) for j=1:iteration da(j,i)=(data(j,i)-mi(i))/(ma(i)-mi(i)); end end %所有数据都归一化 for i=1:innode x(i,:)=da(:,i)'; end %x1=da(:,1)'; %x2=da(:,2)'; %x3=da(:,3)'; %x=[x1;x2;x3]; x为输入，按列进行排列（归一化之后的输入） y=da(:,innode+1)'; %y为网络的输出 %-------------------------主程序开始---------------------% for s=1:1000 Epx=0; %累积误差初始化 for i=1:iteration %反馈输出 for j=1:hiddennode H_B(j,1)=W_B(j,1)*H_B(j,1)*(1-H_B(j,1)); end %前向输出 H_F=W_F*x(:,i)+W_T; H_I=H_F+H_B; %输出层的输入信号 for j=1:hiddennode H(j,1)=1/(1+exp(-1*H_I(j,1))); end in3=W_O*H; for j=1:outnode out3(j,1)=in3(j,1); %输出层的输出 end output(:,i)=out3; %output储存第i组输出结果 epoc(i)=i; %？？？？？ error=0.5*abs((y(:,i)-out3)')*abs((y(:,i)-out3));%计算第i组的E Epx=Epx+error; %误差输出 e=y(:,i)-out3; %绝对误差 epoch(s)=s; %？？？？？ %---------------修正隐含层到输出层的权值 for m=1:outnode for n=1:hiddennode Delta_W_O(m,n)=Delta_W_O(m,n)+e*H(n,1); end end for m=1:outnode for n=1:hiddennode W_O(m,n)=W_O(m,n)+u0*Delta_W_O(m,n)+a*e*H(n,1); end end %_____________修正反馈权值 for j=1:hiddennode P(j,1)=H_B(j,1)*(1-H_B(j,1))+W_B(j,1)*P(j,1)*(1-2*H_B(j,1)); end for j=hiddennode Delta_W_B(j,1)=Delta_W_B(j,1)+e*W_O(1,j)*H(j,1)*(1-H(j,1))*P(j,1); end for j=1:hiddennode W_B(j,1)=W_B(j,1)+u0*Delta_W_B(j,1)+a*e*W_O(1,j)*H(j,1)*(1-H(j,1))*P(j,1); end %-------------修正阈值 for j=1:hiddennode Delta_W_T(j,1)=Delta_W_T(j,1)+e*W_O(1,j)*H(j,1)*(1-H(j,1)); end for j=1:hiddennode W_T(j,1)=W_T(j,1)+u0*Delta_W_T(j,1)+a*e*W_O(1,j)*H(j,1)*(1-H(j,1)); end for p=1:hiddennode for q=1:innode Delta_W_F(p,q)=Delta_W_F(p,q)+e*W_O(1,p)*H(p,1)*(1-H(p,1))*x(q,i); end end for p=1:hiddennode for q=1:innode W_F(p,q)=W_F(p,q)+u0*Delta_W_F(p,q)+a*e*W_O(1,p)*H(p,1)*(1-H(p,1))*x(q,i); end end end er=Epx/iteration %均方差 Error(s)=er; if er<0.000000001 %终止条件 break; end end %------------------输出反归一化-----------------% for i=1:iteration real(i)=output(1,i)*(ma(innode+1)-mi(innode+1))+mi(innode+1); end %--------------显示曲线---------------------% %subplot(2,2,1); figure(1); plot(epoc,real,'r',epoc,temp((innode+1),:),'b');title('训练完后的实际输出与期望输出');xlabel('epoch');ylabel('输出');grid on; %subplot(2,2,2); figure(2); plot(epoch,Error);title('训练误差输出');xlabel('epoch');ylabel('误差E');grid on; for i=1:iteration r_error(i)=100*abs((data(i,innode+1)-real(i)))/data(i,innode+1); end rev_error=0; for i=1:iteration rev_error=rev_error+r_error(i); end rev_error=rev_error/iteration; figure(3); plot(epoc,r_error,'-');title('相对误差');ylabel('%');grid on; %subplot(2,2,3); %----------测试训练权值---------------------------------------------------------- %----------------读取训练样本---------------------% ti=fopen('C:\Users\Administrator\Documents\MATLAB\BP\MD.txt'); [ti,count1]=fscanf(ti,'%f',inf); %fclose(ti); iteration=count1/(innode+outnode); fo=fopen('C:\Users\Administrator\Documents\MATLAB\BP\MD.txt'); [train_data,count1]=fscanf(fo,'%f ',[(innode+outnode),iteration]);%train_data为3*81矩阵 t_data=train_data'; %t_data为81*3矩阵 %------------训练数据归一化-----------------------% for i=1:(outnode+innode) maxi=t_data(1,i);mini=t_data(1,i); for j=2:iteration if maxi>t_data(j,i) ma(i)=maxi; else ma(i)=t_data(j,i); end maxi=ma(i); if mini<t_data(j,i) mi(i)=mini; else mi(i)=t_data(j,i); end mini=mi(i); end end %找到t_train中的最大值和最小值 for i=1:(outnode+innode) for j=1:iteration t_d(j,i)=(t_data(j,i)-mi(i))/(ma(i)-mi(i)); end end %将t_d中的数据归一化后放入t_d(200*5)矩阵 %z1=t_d(:,1)'; %z2=t_d(:,2)'; %z3=t_d(:,3)'; %z=[z1;z2;z3]; for i=1:innode z(i,:)=t_d(:,i)'; %将t_d矩阵转置为z矩阵(2*80)，t-d矩阵的第i列等于z矩阵的第i行 end %----------计算输出------------------ for i=1:iteration %反馈输出 for j=1:hiddennode H_B(j,1)=W_B(j,1)*H_B(j,1)*(1-H_B(j,1)); %隐含层输出 end %前向输出 H_F= W_F*z(:,i)+W_T; %计算隐藏层的输入 H_I=H_B+H_F; %输出层的输入 for j=1:hiddennode H(j,1)=1/(1+exp(-1*H_I(j,1))); end in3=W_O*H; for j=1:outnode out3(j,1)=in3(j,1); %输出层的输出 end test_out(:,i)=out3; epo(i)=i; end %-----------------测试输出数据反归一化-----------------% for j=1:outnode for i=1:iteration t_real(j,i)=test_out(j,i)*(ma(innode+j)-mi(innode+j))+mi(innode+j); end end figure(4); plot(epo,t_real(1,:),'r',epo,train_data(innode+1,:),'b'); legend('测试输出','实际输出');title('测试数据与实际输出');grid on; for i=1:iteration r_error1(i)=100*abs((t_data(i,innode+1)-t_real(i)))/t_data(i,innode+1); end re_error=0; for i=1:iteration re_error=re_error+r_error1(i); end re_error=re_error/iteration; %subplot(2,2,3); figure(5); plot(epo,r_error1,'-');title('相对误差');ylabel('%');grid on;