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); |
发表于 2011-8-14 09:55:08