例3-8 线性+非线性 系统.zip

function LineAndNonlin %% 参数初始化 l = 0.009; % 学习率 alfa = 0.05; % 动量因子 cells1 = 8; % 隐层神经元个数 cells2 = 4; cells1_2 = 1; % 线性网络的隐层神经元个数 w1 = rand(cells1,1); % 随机赋值第一层连接权系数 [8 ,1] w2 = rand(cells2,cells1); % 随机赋值第二层连接权系数 [4, 8] w3 = rand(1,cells2); % 随机赋值第三层连接权系数 [1, 4] yw1 = rand(cells1,1); % 随机赋值第一层输出阈值 [8, 1] yw2 = rand(cells2,1); % 随机赋值第二层输出阈值 [4, 1] yw3 = rand; % 随机赋值第三层输出阈值 [1] w1_2 = rand(cells1_2,2); % 随机赋值第一层连接权系数 [1 ,2] ts=0.001; % 样本 n = 1000; % 样本数 yn = rand(1,n); % 随机赋值输出(预测） y = rand(1,n); % 随机赋值输出(真实） counts = 1; % 计数值初始化 x = [0]; % 输入 x_2 = [0, 0]'; % 输入 g_1 = 0; % 上一时刻的输入 y_1 = 0; % 上一时刻的输出 y_1_1 = 0; % 上上一时刻的输出 aa = 0.3; % 线性部分参数 bb = 0.6; % 线性部分参数 times = 1; % 训练轮数 e=zeros(1,times); % 均方差初始值设为0 %% 学习过程 for i=1:times % 学习轮数 ei=0; for a=1:n % 样本数 time(a)=a*ts; u=0.50*sin(3*2*pi*a*ts); % 0.50*sin(3*2*pi*k) g=u^3 + 0.3*u^2 - 0.4*u; y(a) = aa*y_1 + bb*y_1_1 + g_1; net1_1=w1*x-yw1; % 第一层网络的输入 [8, 1] out1_1=logsig(net1_1); % 第一层网路的输出 [8, 1] net2_1=w2*out1_1-yw2; % 第二层网络的输入 [4, 8]*[8 ,1]=[4, 1] out2_1=logsig(net2_1); % 第二层网络的输出 [4, 1] net3_1=w3*out2_1-yw3; % 第三层网络的输出 [1] ynet=net3_1; % 第三层网络的输出 [1] net1_2=w1_2*x_2; % 第一层网络的输入 [1] yn(a) = net1_2 + ynet; % 计算两个模型的总输出 det3=y(a)-yn(a); % 计算偏差 [1] det2=((det3*(w3))*out2_1)*(1-out2_1); % ([1, 4]*[4 ,1])*[4, 1] = [4, 1] det1=((det2'*(w2))*out1_1)*(1-out1_1); % [8, 1] w1=w1+det1*x'*l; % [8, 1] w2=w2+(det2*out1_1')*l; % [4, 8] w3=w3+(det3*out2_1')*l; % [1, 4] yw1=-det1*l+yw1; yw2=-det2*l+yw2; yw3=-det3*l+yw3; w1_2=w1_2+det3*x_2'*l; % [1, 2] ei=ei+det3^2/2; e(i)=ei; g_1 = g; y_1_1 = y_1; y_1=y(a); x(1)=g; % 更新输入 x_2(1) = y_1; x_2(2) = y_1_1; end % 结束一次样本遍历 if ei<0.008 break; end counts=counts+1; end % 结束学习 %% 计算学习的曲线 x = [0]'; % 输入 x_2 = [0, 0]'; % 输入 yn_test = rand(1,n); % 随机赋值输出(预测） y_test = rand(1,n); % 随机赋值输出(真实） g_1 = 0; % 上一时刻的输入 y_1 = 0; % 上一时刻的输出 y_1_1 = 0; % 上上一时刻的输出 ts=0.1; % 样本 n = 1000; % 样本数 for a=1:n u=sin(2*pi*a*ts/100); % sin(2*pi*a*ts/100) g=u^3 + 0.3*u^2 - 0.4*u; y_test(a) = aa*y_1 + bb*y_1_1 + g_1; net1=w1*x-yw1; out1=logsig(net1); net2=w2*out1-yw2; out2=logsig(net2); net3=w3*out2-yw3; ynet=net3; net1_2=w1_2*x_2; % 第一层网络的输入 [1] yn_test(a) = net1_2 + ynet; % 计算两个模型的总输出 g_1 = g; y_1_1 = y_1; y_1=y_test(a); x(1)=g; % 更新输入 x_2(1) = y_1; x_2(2) = y_1_1; end %% 绘图 figure(1); subplot(2,1,1); plot(time,y,'b-',time,yn,'r-'); legend('true', 'forecast') grid on title('BP学习方法逼近y=0.50*sin(3*2*pi*k)'); xlabel('x轴'); ylabel('y=0.50*sin(3*2*pi*k)'); if (counts<times) count=1:counts; sum=counts; else count=1:times; sum=times; end subplot(2,1,2); plot(count,e(1:sum)); grid on; title('BP算法学习曲线'); xlabel('迭代次数'); ylabel('Mean-Square-Error'); figure(2); plot(time,y_test,'b-',time,yn_test,'r-'); legend('true', 'forecast') grid on title('BP学习方法逼近y=sin(2*pi*a*ts/100)'); xlabel('x轴'); ylabel('y=sin(2*pi*a*ts/100)'); return