使用模糊神经网络实现非线性函数映射，直接在matlab中运行即可

% 使用TS模型实现 非线性映射：f(x1,x2)=sin(pi*x1)*cos(pi*x2); %首先计算隶属度函数，分成了5个等级 clear all; x1=-1:0.1:1; x2=-1:0.1:1; C=[-1 -0.5 0 0.5 1;-1 -0.5 0 0.5 1]; %初始的Cij中心，每一行对应一个分量 Variance=zeros(2,5); lrate=input('请输入学习率,回车为缺省值 0.6: '); if isempty(lrate) lrate=0.6; %学习率alfa end count=input('请输入迭代步数,回车为缺省值 300步: '); if isempty(count) count=300; % 学习迭代次数 end disp '隶属度函数的方差为0.15' Variance=Variance+0.15; %初始的隶属度函数的方差 %Rule=zeros(25,441); %规则的使用度,网络的第三层 %Rule1=zeros(25,441); %归一化后的适用度 W=rand(25,3); %TS模型后件网络的系数p %Y=zeros(1,25); %使用TS模型每一条规则的后件 %初始计算隶属度函数的值 for i=1:5 for j=1:21 b1(i,j)=exp(-(x1(j)-C(1,i))*(x1(j)-C(1,i))/Variance(1,i)); end end figure('color','white'); for i=1:5 plot(x1,b1(i,:));hold on; end title('输入分量x1和x2的隶属度函数'); disp '计算中,请等待......' %载入样本数据，采样率0.1 load sample; load dt; [P T]=size(sample); dt=t; Temp=ones(P,1); sample1=[Temp sample]; %在后件网络中使用的样本,有一列为1 %首先计算初始的计算值 for k=1:count for p=1:P %计算输出 %分层计算 ,第二层中的隶属度函数的值 for i=1:5 belong1(i,p)=exp(-(sample(p,1)-C(1,i))*(sample(p,1)-C(1,i))/Variance(1,i)); belong2(i,p)=exp(-(sample(p,2)-C(2,i))*(sample(p,2)-C(2,i))/Variance(2,i)); end %开始计算第三层 for i=1:5 for j=1:5 TempA=[belong1(i,p) belong2(j,p)]; [Value Index]=min(TempA); Rule((i-1)*5+j,p)=Value; if (Rule((i-1)*5+j,p))< 0.05 Rule((i-1)*5+j,p)=0; end %end if end % end of j end %end of i %第四层 Rule1(:,p)=Rule(:,p)/sum(Rule(:,p)); %前件计算结束 %计算后件网络 for i=1:25 Y(i,p)=sample1(p,:)*W(i,:)'; end YF(p)=Y(:,p)'*Rule1(:,p); es=dt(p)-YF(p); for j1=1:25 for i1=1:3 TempW(j1,i1)=W(j1,i1)+lrate*es*Rule1(j1,p)*sample1(p,i1); end %end of i end %end of j W=TempW; end E(k)=sqrt((dt-YF)*(dt-YF)')/P; %RMS k end %end of k %误差显示和结果输出 k=1:count; figure('color','white'); plot(k,E(k)); t=strcat('Fuzzy Netual Network 学习算法学习曲线,最终误差=',num2str(E(count))); title(t); xlabel('迭代步数'); ylabel('学习误差'); disp 'finished!!!!' E(count) %测试网络,使用不同的采样率数据测试,输出结果 load sample1 load dt1 [P T]=size(sample); temp=ones(P,1); sample1=[temp sample]; dt=t; %计算网络输出得到误差 for p=1:P %分层计算 ,第二层中的隶属度函数的值 for i=1:5 belong1(i,p)=exp(-(sample(p,1)-C(1,i))*(sample(p,1)-C(1,i))/Variance(1,i)); belong2(i,p)=exp(-(sample(p,2)-C(2,i))*(sample(p,2)-C(2,i))/Variance(2,i)); end %开始计算第三层 for i=1:5 for j=1:5 TempA=[belong1(i,p) belong2(j,p)]; [Value Index]=min(TempA); Rule((i-1)*5+j,p)=Value; if (Rule((i-1)*5+j,p))< 0.005 Rule((i-1)*5+j,p)=0; end %end if end % end of j end %end of i %第四层 Rule1(:,p)=Rule(:,p)/(sum(Rule(:,p))); %前件计算结束 %计算后件网络 for i=1:25 Y(i,p)=sample1(p,:)*W(i,:)'; end YF(p)=Y(:,p)'*Rule1(:,p); end %E1=(0.5*(dt-YF)*(dt-YF)')/P; for i=1:17 for j=1:17 AfterTrain(i,j)=YF(17*(i-1)+j); end end figure('color','white'); load X1 load Y1 surf(X,Y,AfterTrain); title('训练后f(x1,x2)=sin(\pix1)cos(\pix2)的图形'); tic toc