IT2FNN_ILM_IT2FNN_区间二型_区间预测_区间二型模糊_

%% 清空 clc; clear; close all; rand('seed',1); %% % %%非线性系统 % % 初始化 % y(1)=0; % y(2)=0; % u(1)=1; % u(2)=1; % Data = []; % % 给定控制量变化 建模时给定用于测试模型性能， % % 若考虑系统控制时 该量求解得出，也即根据系统状态求取得出控制率 % for t=3:400 % % u(t)=sin(0.2*pi*t); % u(t)=sin(1*t); % end % % 参考输入 reference input r(k) 期望跟踪值 % for t=1:200 % r(t)=1; % end % for t=201:400 % r(t)=0; % end % %外部干扰 external disturbance % for t=1:100 % v(t)=0; % end % for t=101:300 % v(t)=0.05; % end % for t=301:400 % v(t)=0.2; % end % % 由数学表达式进行样本收集 % for t=3:400 % y(t)=0.9722*y(t-1)+0.378*u(t-1)-0.1295*u(t-2)... % -0.3103*y(t-1)*u(t-1)-0.04228*(y(t-2)^2)... % +0.1663*y(t-2)*u(t-2)-0.03259*(y(t-1)^2)*y(t-2)... % -0.3513*(y(t-1)^2)*u(t-2)... % +0.3084*y(t-1)*y(t-2)*u(t-2)... % +0.1087*y(t-2)*u(t-1)*u(t-2)+1*v(t); % Samples = [y(t-1); y(t-2); u(t-1); u(t-2); y(t)]; % 按列存放 前5行为输入样本，最后1行为输出样本 % Data = [Data Samples]; % end % [m,n]= size(Data); % % 取数据方式 1-Random 打乱顺序; 2-Original 原始 % Flag1=1; % switch Flag1 % case (1) % rand_sequence=randperm(size(Data,2)); % 产生随机排序的size(Data,2)=998个数， % Data=Data(:,rand_sequence); %按随机数排序方式取出数据 % case (2) % Data = Data; %按原始排序 % end % %--------将数据分为输入样本和输出样本------------ % InputData = Data(1:4,:); % OutputData = Data(end,:); % % 输入样本数据归一化方式 1-Mapminmax [-1 1]; 2-Mapminmax [0 1]; 3- Original data % Flag2=3; % switch Flag2 % case (1) % [InputData,ps] = mapminmax(InputData); % case (2) % [InputData,ps] = mapminmax(InputData ); % ps.ymin=0; % [InputData,ps] = mapminmax(InputData,ps); % case (3) % InputData = InputData; % end % % 将样本分类： 训练样本和测试样本 % TrainSamIn = InputData(:,1:300); % TrainSamOut = OutputData (:,1:300); % TestSamIn = InputData(:,301:end); % TestSamOut = OutputData (:,301:end); % [InDim,TrainSamNum]=size(TrainSamIn); % OutDim=size(TrainSamOut,1); % TestSamNum=size(TestSamIn,2); % % 存储训练样本和测试样本 % save TrainSamIn TrainSamIn % save TrainSamOut TrainSamOut % save TestSamIn TestSamIn % save TestSamOut TestSamOut % %%复杂的非线性系统辨识 % % 初始化 % y(1)=0; % y(2)=0; % y(3)=0; % Data = []; % % 给定控制量变化 % for t=1:249 % u(t)=sin(pi*t/25); % end % for t=250:499 % u(t)=1.0; % end % for t=500:749 % u(t)=-1.0; % end % for t=750:1005 % u(t)=0.3*sin(pi*t/25)+0.1*sin(pi*t/32)+0.6*sin(pi*t/10); % end % % 由数学表达式进行样本收集 % for t=3:1000 % y(t+1)=(y(t)*y(t-1)*y(t-2)*u(t-1)*(y(t-2)-1)+u(t))/(1+y(t-2)^2+y(t-1)^2); % Samples = [y(t); y(t-1); y(t-2); u(t); u(t-1); y(t+1)]; % 按列存放 前5行为输入样本，最后1行为输出样本 % Data = [Data Samples]; % end % [m,n]= size(Data); % % 取数据方式 1-Random 打乱顺序; 2-Original 原始 % Flag1=1; % switch Flag1 % case (1) % rand_sequence=randperm(size(Data,2)); % 产生随机排序的size(Data,2)=998个数， % Data=Data(:,rand_sequence); %按随机数排序方式取出数据 % case (2) % Data = Data; %按原始排序 % end % %--------将数据分为输入样本和输出样本------------ % InputData = Data(1:5,:); % OutputData = Data(end,:); % % 输入样本数据归一化方式 1-Mapminmax [-1 1]; 2-Mapminmax [0 1]; 3- Original data % Flag2= 3; % switch Flag2 % case (1) % [InputData,ps] = mapminmax(InputData); % case (2) % [InputData,ps] = mapminmax(InputData ); % ps.ymin=0; % [InputData,ps] = mapminmax(InputData,ps); % case (3) % InputData = InputData; % end % % 将样本分类： 训练样本和测试样本 % TrainSamIn = InputData(:,1:800); % TrainSamOut = OutputData (:,1:800); % TestSamIn = InputData(:,801:end); % TestSamOut = OutputData (:,801:end); % [InDim,TrainSamNum]=size(TrainSamIn); % OutDim=size(TrainSamOut,1); % TestSamNum=size(TestSamIn,2); % % 存储训练样本和测试样本 % save TrainSamIn TrainSamIn % save TrainSamOut TrainSamOut % save TestSamIn TestSamIn % save TestSamOut TestSamOut %% 初始化Mackey-Glass函数 %训练样本 x=ones(1,4000); x(1)=1.2; for t=18:4017 x(t+1)=0.9*x(t)+0.2*x(t-17)/(1+x(t-17).^10); end x1=x(136:635); x2=x(130:629); x3=x(124:623); x4=x(118:617); TrainSamIn=[x1;x2;x3;x4]; TrainSamOut=x(142:641); [InDim,TrainSamNum]=size(TrainSamIn); %InDim输入维数4，TrainSamNum训练样本数500 OutDim=size(TrainSamOut,1); %OutDim输出维数为1 %测试样本 x5=x(636:1135); x6=x(630:1129); x7=x(624:1123); x8=x(618:1117); TestSamIn=[x5;x6;x7;x8]; TestSamOut=x(642:1141); TestSamNum=size(TestSamIn,2); %TestSamNum测试样本数500 % %%Lorenz混沌时间序列预测 % load Lorenz_TrainSamIn % 训练数据 3*1000 % load Lorenz_TrainSamOut % 1*1000 % load Lorenz_TestSamIn % 测试数据 3*1000 % load Lorenz_TestSamOut % [InDim,TrainSamNum]=size(TrainSamIn); % OutDim=size(TrainSamOut,1); % TestSamNum=size(TestSamIn,2); % %%氨氮数据 % %%%%%%%%%%%%%%%读取文件数据，并将数据进行归一化%%%%%%%%%%%%%%%%%%%% % data=xlsread('氨氮数据.xlsx','sheet2','A2:G141');%读取文件数据 % x_train=data(1:90,1:6)'; %x_train是用于训练网络的输入数据 % r_train=data(1:90,7)'; %r_train是用于计算训练输出误差的输出数据(期望输出的) % [TrainSamIn,inputps1]=mapminmax(x_train);%把训练输入数据归一化 % [TrainSamOut,outputps1]=mapminmax(r_train);%把训练输出数据归一化 % [InDim,TrainSamNum]=size(TrainSamIn);%InDim是输入节点数，有6个，PatternNum是训练样本数据，有90个 % OutDim=size(TrainSamOut,1); %输出节点数，有1个 % %测试样本 % TestSamIn=data(91:140,1:6)'; % TestSamOut=data(91:140,7)'; %选择测试数据 % [TestSamIn,inputps2]=mapminmax('apply',TestSamIn,inputps1);%把测试数据归一化至0,1之间 % [TestSamOut,outputps2]=mapminmax('apply',TestSamOut,outputps1); % TestSamNum=size(TestSamIn,2); %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 初始化参数 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% RuleNum=7; %规则数 rate=0.08; Width=2.5*ones(InDim,RuleNum);%2型高斯函数的宽度;ones()是产生一个全1矩阵 Center=0.4*rand(InDim,RuleNum)+0.9; Center_l=Center-rate*Width;%隶属函数的第一个中心 Center_r=Center+rate*Width;%隶属函数的第二个中心 rateW=0.7; rateb=0.7; W=rateW*randn(InDim,RuleNum); %权值 b=rateb*randn(RuleNum,1); lamda=0.1; q=0.3; %% %%%%%%%%%%%%%%%%%预分配内存，优化循环%%%%%%%%%%%%%%% WeightNum=4*InDim*RuleNum+RuleNum+1; jac=zeros(TrainSamNum,WeightNum); Q=zeros(WeightNum,WeightNum); g=zeros(1,WeightNum); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% tic for epoch=1:TrainSamNum %%%k为样本个数 epoch SamIn=TrainSamIn(:,epoch); %%%%%%%%%%%%%%%%%%%%%%%%%计算前件隶属度，即网络的第二层计算%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% for i=1:1:InDim %ih是第一层输入节点的标号，jh是第二层节点的标号 for j=1:1:RuleNum %mt2_1代表前一个高斯的中心点,mt2_2代表后一个高斯中心点，x是输入，u_up是上限，u_lo是下限,一共6个输入 每个输入有6个隶属度函数 %% 计算上隶属度函数 if SamIn(i) < Center_l(i,j)%如果训练值小于前一个中心点 u_up(i,j)=gaussmf(SamIn(i),[Width(i,j) Center_l(i,j)]); % 高斯函数gaussmf(x,sigma,c),得到左侧隶属函数的上界值 elseif Center_l(i,j) <= SamIn(i) && SamIn(i) <= Center_r(i,j) %如果训练值大于第一个中心点且小于第二个中心点 u_up(i,j)=1;%隶属函数值上界值为1 elseif SamIn(i) > Center_r(i,j)%如果训练值大于第二个中心点 u_up(i,j)=gaussmf(SamIn(i),[Width(i,j) Center_r(i,j)]);%则得到右侧隶属函数的上界值 end %% 计算下隶属度函数 if SamIn(i) <= (Center_l(i,j)+Center_r(i,j))/2%如果输入值小于