%
%功能：7输入1输出—PCA—4输入1输出
%算法：PCA BP神经网络
%
%输入：入炉温度、第一加热段温度、第二加热段温度、均热段温度、第一加热段停留时间、第二加热段停留时间、均热段停留时间
%输出：出炉温度
% 经过PCA降维处理后
%输入：第一主成份、第二主成份、第三主成份、第四主成份
%输出：出炉温度
%数据来源：《唐钢1700加热炉模型开发与优化》
clear;close all;clc;
PT = xlsread('tg1700.xlsx','sheet1','B4:I153');
Pall = PT(1:150,1:7);%PCA分析的【输入】数据
[Pnewall,TT,meanValue]=pca_row(Pall,0.95);%假设贡献率为95%
Pnew = Pnewall(1:120,:)';%新网络输入数据 4维训练集
T = PT(1:120,8)';%网络输出数据 1维
Pnew_test = Pnewall(121:150,:)';%新网络输入数据 4维测试集
T_test = PT(121:150,8)';%网络输出数据 1维
[p1,minp,maxp,t1,mint,maxt]=premnmx(Pnew,T);
%创建网络
% net=newff(minmax(p1),[13,10,1],{'tansig','tansig','purelin'},'trainlm');
% net=newff(minmax(p1),[13,1],{'tansig','purelin'},'trainlm');
net=newff(minmax(p1),[9,1],{'tansig','purelin'},'traingd');
%设置训练次数
net.trainParam.epochs = 10000;
%设置收敛误差
net.trainParam.goal=0.0000001;
%训练网络
[net,tr]=train(net,p1,t1);
%输入数据
a = Pnew_test;
%将输入数据归一化
a=premnmx(a);
%放入到网络输出数据
b=sim(net,a);
%将得到的数据反归一化得到预测数据
T_predict=postmnmx(b,mint,maxt);
figure(3)
plot(T_test)
hold on
plot(T_predict)
figure(4)
plot(T_predict - T_test)
figure(5)
plot(T_test,'r--')
hold on;grid on
plot(T_predict,'b-')
xlabel('\fontsize{12}\fontname{楷体}\rm{测试点}\rm{ (Num)}');
ylabel('\fontsize{12}\fontname{楷体}\rm{钢坯出炉温度}\rm{ (^oC)}');
set(gca,'ytick',[980:20:1200]);
set(gca,'fontsize',12,'fontname','times new roman');
legend('\fontsize{12}\fontname{楷体}\rm{实际值}','\fontsize{12}\fontname{楷体}\rm{预测值}');
legend('boxoff');
title('\fontsize{12}\fontname{times new roman}\rm{PCA-BPNN}');
% 将降维后得到的新矩阵Pnew恢复：
% % 重构
% XX=Pnewall*TT'+meanValue;
