matlab.rar_WAVELET NEURAL_小波 神经网络 matlab 程序_小波网络_神经网络 matlab

clear all clc inputNums=3; %输入层节点 outputNums=3; %输出层节点 hideNums=10; %隐层节点数 maxcount=20000; %最大迭代次数 samplenum=3; %一个计数器，无意义 precision=0.001; %预设精度 yyy=1.3; %yyy是帮助网络加速走出平坦区 alpha=0.01; %学习率设定值 a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改 error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间 errorp=zeros(1,samplenum); %同上 v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入层到隐层的权值 deltv=zeros(inputNums,hideNums); %3*10;内存空间预分配 dv=zeros(inputNums,hideNums); %3*10; w=rand(hideNums,outputNums); %10*3;同V deltw=zeros(hideNums,outputNums);%10*3 dw=zeros(hideNums,outputNums); %10*3 samplelist=[0.1323,0.323,-0.132;0.321,0.2434,0.456;-0.6546,-0.3242,0.3255]; %3*3;指定输入值3*3(实为3个向量) expectlist=[0.5435,0.422,-0.642;0.1,0.562,0.5675;-0.6464,-0.756,0.11]; %3*3;期望输出值3*3(实为3个向量)，有导师的监督学 习 count=1; while (count<=maxcount) %结束条件1迭代20000次 c=1; while (c<=samplenum) for k=1:outputNums d(k)=expectlist(c,k); %获得期望输出的向量,d(1:3)表示一个期望向量内 的值 end for i=1:inputNums x(i)=samplelist(c,i); %获得输入的向量（数据）,x(1:3)表一个训练向量 end %Forward(); for j=1:hideNums net=0.0; for i=1:inputNums net=net+x(i)*v(i,j);%输入层到隐层的加权和∑X(i)V(i) end y(j)=1/(1+exp(-net)); %输出层处理f(x)=1/(1+exp(-x))单极性sigmiod函数 end for k=1:outputNums net=0.0; for j=1:hideNums net=net+y(j)*w(j,k); end if count>=2&&error(count)-error(count+1)<=0.0001 o(k)=1/(1+exp(-net)/yyy); %平坦区加大学习率 else o(k)=1/(1+exp(-net)); %同上 end end %BpError(c)反馈/修改; errortmp=0.0; for k=1:outputNums errortmp=errortmp+(d(k)-o(k))^2; %第一组训练后的误差计算 end errorp(c)=0.5*errortmp; %误差E=∑(d(k)-o(k))^2 * 1/2 %end %Backward(); for k=1:outputNums yitao(k)=(d(k)-o(k))*o(k)*(1-o(k)); %输入层误差偏导 end for j=1:hideNums tem=0.0; for k=1:outputNums tem=tem+yitao(k)*w(j,k); %为了求隐层偏导，而计算的∑ end yitay(j)=tem*y(j)*(1-y(j)); %隐层偏导 end %调整各层权值 for j=1:hideNums for k=1:outputNums deltw(j,k)=alpha*yitao(k)*y(j); %权值w的调整量deltw(已乘学习率) w(j,k)=w(j,k)+deltw(j,k)+a*dw(j,k);%权值调整，这里的dw=dletw(t-1)，实际是对BP算法的一个 dw(j,k)=deltw(j,k); %改进措施--增加动量项目的是提高训练速度 end end for i=1:inputNums for j=1:hideNums deltv(i,j)=alpha*yitay(j)*x(i); %同上deltw v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); dv(i,j)=deltv(i,j); end end c=c+1; end%第二个while结束；表示一次BP训练结束 double tmp; tmp=0.0; for i=1:samplenum tmp=tmp+errorp(i)*errorp(i);%误差求和 end tmp=tmp/c; error(count)=sqrt(tmp);%误差求均方根,即精度 if (error(count)<precision)%另一个结束条件 break; end count=count+1;%训练次数加1 end%第一个while结束 error(maxcount+1)=error(maxcount); p=1:count; pp=p/50;