changyi_肠衣搭配方案的matlab代码_

function main() clc % 清屏 clear all; %清除内存以便加快运算速度 close all; %关闭当前所有figure图像 SamNum=20; %输入样本数量为20 TestSamNum=20; %测试样本数量也是20 ForcastSamNum=5; %预测样本数量为5 HiddenUnitNum=15; %中间层隐节点数量取15 InDim=11; %网络输入维度为11 OutDim=1; %网络输出维度为1 %原始数据 %x1 x1=[98 92 73 78 87 68 61 53 38 94 24 84 44 35 16 65 58 73 33 94]; %x2 x2=[92 96 87 71 96 72 64 46 43 97 37 80 58 23 44 67 65 84 28 89]; %x3 x3=[86 94 82 76 93 64 62 47 51 91 45 71 55 16 32 68 62 95 35 96]; %x4 x4=[95 88 65 91 97 66 57 58 62 96 31 78 45 27 38 62 67 78 20 94]; %x5 x5=[90 95 89 82 92 69 67 55 48 87 18 73 62 38 26 61 71 84 26 91]; %x6 x6=[97 91 74 89 95 61 68 36 57 93 29 83 54 24 35 58 69 86 44 99]; %x7 x7=[93 89 86 80 90 65 72 39 53 98 33 74 46 29 20 63 64 76 38 95]; %x8 x8=[96 97 80 78 88 70 64 48 46 92 13 67 59 28 37 69 65 83 26 87]; %x9 x9=[92 93 94 63 96 75 63 52 49 86 22 82 55 38 34 64 70 89 30 93]; %x10 x10=[95 90 81 76 98 63 69 58 50 94 38 88 45 21 33 62 64 75 44 88]; %x12 x12=[94 99 82 84 94 67 62 47 54 95 30 75 43 26 39 66 65 87 21 88]; %等级 dj=[1 1 2 2 1 3 3 4 4 1 5 2 4 5 5 3 3 2 5 1]; p=[x1;x2;x3;x4;x5;x6;x7;x8;x9;x10;x12]; %输入数据矩阵 t=dj; %目标数据矩阵 [SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始样本对（输入和输出）初始化 rand('state',sum(100*clock)) %依据系统时钟种子产生随机数 NoiseVar=0.01; %噪声强度为0.01 Noise=NoiseVar*randn(1,SamNum); %生成噪声 SamOut=tn + Noise; %将噪声添加到输出样本上 TestSamIn=SamIn; %取输入样本与测试样本相同 TestSamOut=SamOut; %取输出样本与测试样本相同 MaxEpochs=50000; %最多训练次数为50000 lr=0.035; %学习速率为0.035 E0=0.65*10^(-3); %目标误差为0.65*10^(-3) W1=0.5*rand(HiddenUnitNum,InDim)-0.1; %初始化输入层与隐含层之间的权值 B1=0.5*rand(HiddenUnitNum,1)-0.1; %初始化输入层与隐含层之间的阈值 W2=0.5*rand(OutDim,HiddenUnitNum)-0.1; %初始化输出层与隐含层之间的权值 B2=0.5*rand(OutDim,1)-0.1; %初始化输出层与隐含层之间的阈值 ErrHistory=[]; %给中间变量预先占据内存 for i=1:MaxEpochs HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum)); % 隐含层网络输出 NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum); % 输出层网络输出 Error=SamOut-NetworkOut; % 实际输出与网络输出之差 SSE=sumsqr(Error) %能量函数（误差平方和） ErrHistory=[ErrHistory SSE]; if SSE<E0,break, end %如果达到误差要求则跳出学习循环 % 依据能量函数负梯度下降原理调整权值和阈值 Delta2=Error; Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut); dW2=Delta2*HiddenOut'; dB2=Delta2*ones(SamNum,1); dW1=Delta1*SamIn'; dB1=Delta1*ones(SamNum,1); %对输出层与隐含层之间的权值和阈值进行修正 W2=W2+lr*dW2; B2=B2+lr*dB2; %对输入层与隐含层之间的权值和阈值进行修正 W1=W1+lr*dW1; B1=B1+lr*dB1; end HiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum)); % 隐含层输出最终结果 NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum); % 输出层输出最终结果 a=postmnmx(NetworkOut,mint,maxt); % 还原网络输出层的结果 x=1:20; % x轴刻度 newk=a(1,:); % 网络输出等级 figure ; subplot(2,1,1);plot(x,newk,'r-o',x,dj,'b--+') %绘值等级对比图； legend('网络输出等级','实际等级'); xlabel('序号');ylabel('等级'); % 利用训练好的网络进行预测 % 当用训练好的网络对新数据pnew进行预测时，也应作相应的处理 pnew=[96 70 60 55 20 94 88 75 59 38 85 75 68 41 42 89 82 67 81 25 93 96 57 58 24 87 79 74 73 37 94 89 76 57 40 76 80 83 48 36 98 84 69 56 21 94 85 75 43 45 97 83 64 55 35]; %五个待分级高校的相关数据； pnewn=tramnmx(pnew,minp,maxp); %利用原始输入数据的归一化参数对新数据进行归一化； HiddenOut=logsig(W1*pnewn+repmat(B1,1,ForcastSamNum)); % 隐含层输出预测结果 anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum); % 输出层输出预测结果 %把网络预测得到的数据还原为原始的数量级； anew=postmnmx(anewn,mint,maxt)