置信规则库matlab代码 brb.rar

function []=main_opt_bayes() %%初始参数 x0_m1=[1.0;0;0;1; 1.0;0;0;1; 1.0;0;0;1; 1.0;0;0;1; 1.0;0;0.5;0.5; 1.0;0;1;0; 1.0;0;0;1; 1.0;0;1;0; 1.0;1;0;0; 2;3;4;0;1;2;-4;-2;0;1;1];%%%47个参数 x0_m2=[ 1.0;0;0;1; 1.0;0;0;1; 1.0;0;0;1; 1.0;0;0;1; 1.0;0;0.5;0.5; 1.0;0;1;0; 1.0;0;0;1; 1.0;0;1;0; 1.0;1;0;0; -1;-0.5;-0.0;0.0;0.5;1.0;-1;-0.5;0;1;1];%%%47个参数 x0_m3=[ 1.0;0;0.8657;0.1348; 1.0;0.1611;0.8389;0; 1.0;0.7977;0.2023;0; 1.0;0;0.7856;0.2144; 1.0;0.0418;0.9582;0; 1.0;0.6784;0.3216;0; 1.0;0;0.6545;0.3455; 1.0;0;0.8967;0.1033; 1.0;0.4817;0.5183;0; 1.0;0;0.7872;0.2128; 1.0;0.0441;0.9559;0; 1.0;0.6807;0.3193;0; 1.0;0;0.7076;0.2924; 1.0;0;0.9499;0.0501; 1.0;0.5614;0.4386;0; 1.0;0;0.5764;0.4236; 1.0;0;0.8187;0.1813; 1.0;0.3647;0.6353;0; 1.0;0;0.2107;0.7893; 1.0;0;0.4530;0.5470; 1.0;0;0.8774;0.1226; 1.0;0;0.1312;0.8688; 1.0;0;0.3734;0.6266; 1.0;0;0.7978;0.2022; 1.0;0;0;1; 1.0;0;0.2423;0.7577; 1.0;0;0.6667;0.3333; -4;-2;0;-1.0;-0.5;0.0;0.0;pi/2;pi;0;1;2.5;1;1;1 ];%%%123个参数 x0=[x0_m1;x0_m2;x0_m3];%217维向量 %%参数模型，要根据参数模型做必要的约束 paramodal(1).rulenum=9;%模型规则数目 paramodal(1).attrinum=2;%模型属性数目 paramodal(1).conseqnum=3;%模型结果数目 paramodal(1).attrixnum(1)=3;%模型每个属性的参考值数目 paramodal(1).attrixnum(2)=3; paramodal(2).rulenum=9; paramodal(2).attrinum=2; paramodal(2).conseqnum=3; paramodal(2).attrixnum(1)=3; paramodal(2).attrixnum(2)=3; paramodal(3).rulenum=27; paramodal(3).attrinum=3; paramodal(3).conseqnum=3; paramodal(3).attrixnum(1)=3; paramodal(3).attrixnum(2)=3; paramodal(3).attrixnum(3)=3; k=1; totalParaNum=length(x0); %%生成A矩阵，%217*20维矩阵 for l=1:length(paramodal) rowNum(l)=1+paramodal(l).conseqnum; paraNum(l)=paramodal(l).rulenum*rowNum(l)+sum(paramodal(l).attrixnum)+paramodal(l).conseqnum+paramodal(l).attrinum;%%计算每个模型参数的数目 if l==1 paraModalSart(l)=0; else paraModalSart(l)=sum(paraNum(1:l-1)); end for i=1:paramodal(l).attrinum; for j=1:paramodal(l).attrixnum(i)-1 A(:,k)=zeros(totalParaNum,1); if i==1; A( paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+j,k)=1; A(paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+j+1,k)=-1; else A(paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+sum(paramodal(l).attrixnum(1:i-1))+j,k)=1; A(paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+sum(paramodal(l).attrixnum(1:i-1))+1+j,k)=-1; end k=k+1; end end for i=1:paramodal(l).conseqnum-1 A(:,k)=zeros(totalParaNum,1); A(paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+sum(paramodal(l).attrixnum)+i,k)=1; A(paraModalSart(l)+rowNum(l)*paramodal(l).rulenum+sum(paramodal(l).attrixnum)+i+1,k)=-1; k=k+1; end end b=[0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;];%20维向量 %%生成Aeq矩阵，%217*45维矩阵 k=1; for l=1:length(paramodal) rowNum(l)=1+paramodal(l).conseqnum; paraNum(l)=paramodal(l).rulenum*rowNum(l)+sum(paramodal(l).attrixnum)+paramodal(l).conseqnum+paramodal(l).attrinum;%%计算每个模型参数的数目 if l==1 paraModalSart(l)=0; else paraModalSart(l)=sum(paraNum(1:l-1)); end for i=1:paramodal(l).rulenum Aeq(:,k)=zeros(totalParaNum,1); for j=1:paramodal(l).conseqnum; Aeq(paraModalSart(l)+(i-1)*rowNum(l)+j+1,k)=1; end k=k+1; end end beq=[1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1;1];%45维向量 lb_m1=[0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 2;2;4;0;0;2;-4;-4;0;0;0];%%%47个参数 lb_m2=[ 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; -1;-1;-0.0;0.0;0.0;1.0;-1;-1;0;0;0];%%%47个参数 lb_m3=[ 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; 0;0;0;0; -4;-4;0;-1.0;-1;0.0;0.0;0;pi;0;0;2.5;0;0;0 ];%%%123个参数 ub_m1=[ 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 2;4;4;0;2;2;-4;0;0;1;1];%%%47个参数 ub_m2=[ 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; -1;0.0;-0.0;0.0;1.0;1.0;-1;0;0;1;1];%%%47个参数 ub_m3=[ 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; 1;1;1;1; -4;0;0;-1.0;0;0.0;0.0;pi;pi;0;2.5;2.5;1;1;1 ];%%%123个参数 lb=[lb_m1;lb_m2;lb_m3]; ub=[ub_m1;ub_m2;ub_m3]; options=optimset('Display','on','MaxFunEvals',50000*length(x0) , 'MaxIter',50 , 'TolFun',1e-4 , 'TolCon',1e-4); numberOfSample =20; %输入样本数量 %%均匀分布，随机抽取dataNum个数据作为训练集 x1_min=2; x1_max=4; x1=x1_min+rand(1,numberOfSample)*(x1_max-x1_min); x2_min=0; x2_max=2; x2=x2_min+rand(1,numberOfSample)*(x2_max-x2_min); x3_min=-1; x3_max=0; x3=x3_min+rand(1,numberOfSample)*(x3_max-x3_min); x4_min=0; x4_max=1; x4=x4_min+rand(1,numberOfSample)*(x4_max-x4_min); x5_min=0; x5_max=pi; x5=x5_min+rand(1,numberOfSample)*(x5_max-x5_min); input=[x1;x2;x3;x4;x5]; for i=1:numberOfSample y1(i)=-(x1(i)-2)*x2(i); y2(i)=-(x3(i)+1)*x4(i); y3(i)=exp(y1(i))+0.5*exp(y2(i))+sin(x5(i))/x5(i); end trainDataSet.input=input; output=y3; trainDataSet.output=y3; function f=f_opt(x) f=fun_opt(x,trainDataSet); end %[x_opt]=fmincon(@f_opt,x0,A',b,Aeq',beq,lb',ub',[],options); %fmincon是一个求解最优问题的函数，可查看matlab help对函数的说明 x_opt=x0; %取测试样本数量等于输入(训练集)样本数量，因为输入样本（训练集）容量较少，否则一般必须用新鲜数据进行测试 numberOfTestSample =numberOfSample; numberOfForcastSample = 20; numberOfHiddenNeure = 8; inputDimension = 5; outputDimension = 1; %输入数据矩阵 % input = [numberOfPeople; numberOfAutomobile; roadArea]; %目标（输出）数据矩阵 % output = [passengerVolume; freightVolume]; % %对训练集中的输入数据矩阵和目标数据矩阵进行归一化处理 % [sampleInput, minp, maxp, tmp, mint, maxt] = premnmx(input, output); % % %噪声强度 % % noiseIntensity = 0.01; % noiseIntensity = 0; % %利用正态分布产生噪声 % noise = noiseIntensity * randn(outputDimension, numberOfSample); % %给样本输出矩阵tmp添加噪声，防止网络过度拟合 % sampleOutput = tmp + noise; % % %取测试样本输入(输出)与输入样本相同，因为输入样本（训练集）容量较少，否则一般必须用新鲜数据进行测试 % testSampleInput = sampleInput; % testSampleOutput = sampleOutput; % % %最大训练次数 % maxEpochs = 50000; % % %网络的学习速率 % learningRate = 0.035; % % %训练网络所要达到的目标误差 % error0 = 0.65*10^(-3); % % %初始化输入层与隐含层之间的权值 % W1 = 0.5 * rand(numberOfHiddenNeure, inputDimension) - 0.1; % %初始化输入层与隐含层之间的阈值 % B1 = 0.5 * rand(numberOfHiddenNeure, 1) - 0.1; % %初始化输出层与隐含层之间的权值 % W2 = 0.5 * rand(outputDimension, numberOfHiddenNeure) - 0.1; % %初始化输出层与隐含层之间的阈值 % B2 = 0.5 * rand(o