数模论坛

 找回密码
 注-册-帐-号
搜索
热搜: 活动 交友 discuz
查看: 4303|回复: 0

请问这程序那有问题啊?

[复制链接]
发表于 2011-8-14 09:55:08 | 显示全部楼层 |阅读模式
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=2;                     %预测样本数量为2
HiddenUnitNum=8;                     %中间层隐节点数取8,比工具箱程序多了1个
InDim=3;                             %网络输入维度为3
OutDim=2;                           %网络输出维度为2

%原始数据
%人数(单位:万人)
sqrs=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99...
    41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
%机动车数(单位:万辆)
sqjdcs=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6...
    2.7 2.85 2.95 3.1];
%公路面积(单位:万平方千米)
sqglmj=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49...
    0.56 0.59 0.59 0.67 0.69 0.79];
%公路客运量(单位:万人)
glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433...
    22598 25107 33442 36836 40548 42927 43462];
%公路货运量(单位:万吨)
glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115...
    13320 16762 18673 20724 20803 21804];
p=[sqrs;aqjdcs;sqglmj];                            %输入数据矩阵
t=[glkyl;glhyl];                                   %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(添加噪声的目的是为了
                                                %防止网络过渡拟合)
Noise=NoiseVar*randn(2,SamNum);                  %生成噪声
SamOut=tn+Noise;                                %将噪声添加到输出样本上

TestSamIn=SamIn;                                %这里取输入样本与测试样本相同,因为,
                                                %样本容量偏少
TestSamOut=SamOut;                              %也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*^(-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(SamIn+repmat(B2,1,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 SEE];
    if SEE<EO,break,end                          %如果达到误差要求,则跳出学习循环
   
%以下6行是BP网络最核心的程序
%它们是权值(阈值)依据能量函数负梯度下降原理所作的每一步动态调整量
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
W1=W1+lr*dW2;
B2=B1+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,TestBamNum));      %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(an,mint,maxt);                                 %还原网络输出层的结果
x=1990:2009;                                             %时间刻度
newk=a(1,;                                              %网络输出客运量
newh=a(2,;                                              %网络输出客运量
figure;
subplot(2,1,1);plot(x,newk,'r-o',x,glkyl,'b- - +');                   %绘制公路客运量对比图
legend('网络输出客运量','实际客运量');
xlabel('年份');ylabel('客运量/万人');
title('运用工具箱客运学习和测试对比图');
subplot(2,1,2);plot(x,newk,'r-o',x,glkyl,'b- - +');                    %绘制公路货运量对比图
legend('网络输出货运量','实际货运量');
xlabel('年份');ylabel('货运量/万吨');
title('运用工具箱货运量学习和测试对比图');               
%利用训练好的网络进行预测
pnew=[73.39 75.55
      3.9635 4.0975
      0.9880 1.0268];                                        %2010年和2011年的相关数据
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);
您需要登录后才可以回帖 登录 | 注-册-帐-号

本版积分规则

小黑屋|手机版|Archiver|数学建模网 ( 湘ICP备11011602号 )

GMT+8, 2019-12-7 07:14 , Processed in 0.053303 second(s), 19 queries .

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表