小波神经网络程序

happy

1. clc
   
2. clear
   
3. %step 1=========================
   
4. %定义输入样本；
   
5. t=0:0.01:1.5;
   
6. x=-sin(2*pi*t);
   
7. targ=[0 0 1 1 0 0 ];
   
8. eta=0.02;aerfa=0.935;
   
9. %初始化连接权wjh(输出层和隐层的连接权);whi(隐层和输出层的连接权);
   
10. %假设小波函数节点数为：H个；样本数为P;
    
11. %输出节点数为:J个；输入节点数为：I个；
    
12. H=15;P=2;
    
13. I=length(t);
    
14. J=length(targ);
    
15. %初始化小波参数
    
16. b=rand(H,1);
    
17. a=rand(H,1);
    
18. %初始化权系数；
    
19. whi=rand(I,H);
    
20. wjh=rand(H,J);
    
21. %阈值初始化;
    
22. b1=rand(H,1);
    
23. b2=rand(J,1);
    
24. p=0;
    
25. %保存的误差；
    
26. Err_NetOut=[];
    
27. flag=1;count=0;
    
28. while flag>0
    
29. flag=0;
    
30. count=count+1;
    
31. 
    
32. %step 2=================================
    
33. xhp1=0;
    
34. for h=1:H
    
35. for i=1:I
    
36. xhp1=xhp1+whi(i,h)*x(i);
    
37. end
    
38. ixhp(h)=xhp1+b1(h);
    
39. xhp1=0;
    
40. end
    
41. for h=1:H
    
42. oxhp(h)=fai((ixhp(h)-b(h))/a(h));
    
43. end
    
44. %step 3====================================
    
45. ixjp1=0;
    
46. for j=1:J
    
47. for h=1:H
    
48. ixjp1=ixjp1+wjh(h,j)*oxhp(h);
    
49. end
    
50. ixjp(j)=ixjp1+b2(j);
    
51. ixjp1=0;
    
52. end
    
53. for i=1:J
    
54. oxjp(i)=fnn(ixjp(i));
    
55. end
    
56. %step 6==保存每次误差=====
    
57. wuchayy=1/2*sumsqr(oxjp-targ);
    
58. %E_x=1/2*sumsqr(x);
    
59. Err_NetOut=[Err_NetOut wuchayy];%保存每次的误差;
    
60. %Err_rate=Err_NetOut/E_x;
    
61. 
    
62. %Err_rate
    
63. 
    
64. %oxjp
    
65. 
    
66. %求detaj ,detab2==================================
    
67. for j=1:J
    
68. detaj(j)=-(oxjp(j)-targ(j))*oxjp(j)*(1-oxjp(j));
    
69. end
    
70. 
    
71. for j=1:J
    
72. for h=1:H
    
73. detawjh(h,j)=eta*detaj(j)*oxhp(h);
    
74. end
    
75. end
    
76. detab2=eta*detaj;
    
77. 
    
78. %求detah, detawhi detab1 detab detaa;========================
    
79. 
    
80. sum=0;
    
81. for h=1:H
    
82. for j=1:J
    
83. sum=detaj(j)*wjh(h,j)*diffai((ixhp(h)-b(h))/a(h))/a(h)+sum;
    
84. end
    
85. detah(h)=sum;
    
86. sum=0;
    
87. end
    
88. for h=1:H
    
89. for i=1:I
    
90. detawhi(i,h)=eta*detah(h)*x(i);
    
91. end
    
92. end
    
93. detab1=eta*detah;
    
94. detab=-eta*detah;
    
95. for h=1:H
    
96. detaa(h)=-eta*detah(h)*((ixhp(h)-b(h))/a(h));
    
97. end
    
98. 
    
99. %引入动量因子aerfa，修正各个系数==========================================
    
100. wjh=wjh+(1+aerfa)*detawjh;
     
101. whi=whi+(1+aerfa)*detawhi;
     
102. a=a+(1+aerfa)*detaa';
     
103. b=b+(1+aerfa)*detab';
     
104. b1=b1+(1+aerfa)*detab1';
     
105. b2=b2+(1+aerfa)*detab2';
     
106. 
     
107. %======================================================
     
108. %引入修正算法！！
     
109. 
     
110. %判断所有的样本是否计算完==================================
     
111. p=p+1;
     
112. if p~=P
     
113. flag=flag+1;
     
114. else
     
115. if Err_NetOut(end)>0.05
     
116. flag=flag+1;
     
117. 
     
118. else
     
119. figure;
     
120. plot(Err_NetOut);
     
121. title('误差曲线');
     
122. disp('目标达到');
     
123. %disp(oxjp);
     
124. end
     
125. end
     
126. if count>2000
     
127. figure;
     
128. plot(Err_NetOut);
     
129. title('误差曲线');
     
130. disp('目标未达到');
     
131. disp(oxjp);
     
132. break;
     
133. end
     
134. end

复制代码

这里还需要定义三个函数

1. diffai.m

1. function y3=diffai(x);
   
2.     y3=-0.75*sin(1.75*x)*exp(-x.^2/2)-cos(1.75*x)*exp(-x.^2/2)*x;

复制代码

2. fai.m

1. function yl=fai(x)
   
2.     yl=cos(0.75.*x)+exp(-x.^2/2);

复制代码

3. fnn.m

1. function y2=fnn(x)
   
2.     y2=1/(1+exp(-x));

复制代码

橄榄石

请问怎么在MATLAB中用训练好的小波神经网络来预测呢？
本人是新手，请多多包涵！

amygod

同问,请楼主解答~~~~~~~~~~

橄榄石

还有一个问题，楼主的程序好像是以单输入单输出的。
能提供多输入单输出的程序吗？
小弟先谢了！

[ 本帖最后由 橄榄石 于 2006-10-13 17:50 编辑 ]

suffer

原帖由 橄榄石 于 2006-10-13 17:43 发表
还有一个问题，楼主的程序好像是以单输入单输出的。
能提供多输入单输出的程序吗？
小弟先谢了！

请看说明“%输出节点数为:J个；输入节点数为：I个；”

suffer

原帖由 橄榄石 于 2006-10-11 19:27 发表
请问怎么在MATLAB中用训练好的小波神经网络来预测呢？
本人是新手，请多多包涵！

不是可以输出权值吗？

橄榄石

不好意思，新手，见笑了！
请多多指教！

橄榄石

输入节点数跟输入层维数好像不是一个概念吧

suffer

原帖由 橄榄石 于 2006-10-20 16:48 发表
输入节点数跟输入层维数好像不是一个概念吧

输入层和输出层节点数选择由应用要求而定：输入节点数一般等于要训练的样本矢量维数，可以是原始数据维数或提取的特征维数；输出单元数在分类网络中取类别数M或log2m,在逼近网络中取要逼近的函数输出空间维数。当网络用于工业过程辨识或时间序列预测建模时，输入节点数的选择应由非线性系统定阶的结果确定。

橄榄石

0.38 37 526 47.6 56.9
0.38 43 526 47.6 58.1
0.49 43 408 47.6 46.5
0.49 31 408 47.6 46.4
0.57 31 351 47.6 32.6
0.57 37 351 47.6 34.7
0.33 32 606 48.9 68.5
0.33 38 606 48.9 72.3
0.43 38 465 48.9 56.5
0.43 26 465 48.9 53.0
0.64 26 313 48.9 29.2
0.64 32 313 48.9 30.8
0.43 32 449 40.4 44.1
0.69 35 283 48.9 27.1
0.43 32 465 48.9 50.7
0.60 36 325 48.9 35.6
0.67 45 289 48.9 32.1
0.54 43 361 48.9 43.3
0.54 43 380 48.9 38.6
0.43 40 436 48.9 57.9
suffer，您好！
我有以上一个训练样本集，其中前4列的数据为输入，后一列数据为输出用小波网络进行训练，网络训练好之后，输入一组数据如：0.41 42 444 48.9，希望得出它对应的输出值。
请问用上面的程序能实现吗？谢谢！

suffer

应该是可以的，你试试吧，这个程序我也没用过，只是简单的看了看

lsq001

先顶起
这个看起来还是不错的
希望更多人看到
学些一下

wateropt

原帖由 橄榄石 于 2006-10-23 22:17 发表
0.38 37 526 47.6 56.9
0.38 43 526 47.6 58.1
0.49 43 408 47.6 46.5
0.49 31 408 47.6 46.4
0.57 31 351 47.6 32.6
0.57 37 351 47.6 34.7
0.33 32 606 48.9 68.5
0.33 38 606 48.9 72.3
0.43  ...

就是,最好能有 个计算实例就好了

wateropt

程序中的
eta=0.02;aerfa=0.935
代表什么意思?

suffer

原帖由 wateropt 于 2006-11-2 22:36 发表
程序中的
eta=0.02;aerfa=0.935
代表什么意思?

参考改进型bp算法