clc

Size: px

Start display at page:

Download "clc"

侥本莘
5 years ago
Views:

1 clc clear all % 一初始化部分 %1.1 预处理样本数据 % 选取训练样本 (x,y) for i=1:126 x= *(i-1); y(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; % 待逼近函数 AllSamIn=0:0.0251:pi; % 训练样本输入 AllSamOut=y; % 训练样本输出 % 选取测试样本 for i=1:125 x= *(i-1); % 测试样本输入 ytest(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; % 测试样本输出 AlltestIn=0.0125:0.0251:(pi ); AlltestOut=ytest; % 归一化训练样本, 测试样本 [AlltestInn,minAlltestIn,maxAlltestIn,AlltestOutn,minAlltestOut,maxAlltestOut]= premnmx(alltestin,alltestout); % 测试样本 [AllSamInn,minAllSamIn,maxAllSamIn,AllSamOutn,minAllSamOut,maxAllSamOut ]= premnmx(allsamin,allsamout); % 训练样本 testin=alltestinn; testout=alltestoutn; global Ptrain; Ptrain = AllSamInn; global Ttrain; Ttrain = AllSamOutn; %1.2 设置神经网络参数 global indim; % 输入层神经元个数 indim=1; global hiddennum; % 隐藏层神经元个数 hiddennum=3; global outdim; % 输出层神经元个数 outdim=1; global Gpos; %1.3 设置微粒群参数 vmax=0.5; % 速度上限 minerr=1e-7; % 目标误差 wmax=0.95;

2 wmin=0.25; global itmax; % 最大迭代次数 itmax=200; c1=1.5; c2=1.5; % 权值随迭代次数线性递减以保证收敛 for iter=1:itmax W(iter)=wmax-((wmax-wmin)/itmax)*iter; a=-1; b=1; m=-1; n=1; global N; % 微粒个数 N=30; global D; % 每个微粒的维数 D=(indim+1)*hiddennum+(hiddennum+1)*outdim; % 所有权值和阈值 % 初始化微粒位置 rand('state',sum(100*clock)); % 产生和时间相关的随机数 global X; X=a+(b-a)*rand(N,D,1); %X 的值在 a 和 b 之间 % 初始化微粒速度 V=m+(n-m)*rand(N,D,1); %V 的值在 m 和 n 之间 % 二微粒群更新迭代部分 %global net; net=newff(minmax(ptrain),[hiddennum,outdim],{'tansig','purelin'}); global gbest; % 全局最优位置 global pbest; % 局部最优位置 %2.1 第一次迭代 fitness=fitcal(x,indim,hiddennum,outdim,d,ptrain,ttrain); % 计算适应值 [C,I]=min(fitness(:,1,1)); % 第一代, 返回微粒群中最小适应值给 C, 该微粒的序号给 I L(:,1,1)=fitness(:,1,1); % 第一代, 每个微粒的适应值 B(1,1,1)=C; % 第一代, 全局最优适应值 (B 存储当前代最优适应值 ) bestminimum(1)=c; % bestminimum 存储所有代中的全局最小适应值 gbest(1,:,1)=x(i,:,1); % 第一代, 全局最优的微粒位置 for p=1:n G(p,:,1)=gbest(1,:,1); %G 便于速度更新运算 ( 函数格式统一 ) Gpos=gbest(1,:,1);

3 for i=1:n; pbest(i,:,1)=x(i,:,1); % 因为是第一代, 当前位置即为历史最优位置 V(:,:,2)=W(1)*V(:,:,1)+c1*rand*(pbest(:,:,1)-X(:,:,1))+c2*rand*(G(:,:,1)-X(:,:,1)); % 更新速度 % 判断速度是否越界 for ni=1:n for di=1:d if V(ni,di,2)>vmax V(ni,di,2)=vmax; if V(ni,di,2)<-vmax V(ni,di,2)=-vmax; V(ni,di,2)=V(ni,di,2); X(:,:,2)=X(:,:,1)+V(:,:,2); % 更新位置 %disp(' 执行到这里 ') %2.2 第 2 次到最后一次迭代 for j=2:itmax h=j; disp(' 迭代次数, 当前代全局最佳适应值, 本代以前所有代中的全局最佳适应值 ') disp(j-1) disp(b(1,1,j-1)) %j-1 代全局最优适应值 disp(bestminimum(j-1)) %j-1 代以前所有代中的全局最优适应值 disp('******************************') fitness=fitcal(x,indim,hiddennum,outdim,d,ptrain,ttrain); [C,I]=min(fitness(:,1,j)); % 第 j 代的最优适应值和最优微粒序号 L(:,1,j)=fitness(:,1,j); % 第 j 代每个微粒的适应值 B(1,1,j)=C; % 第 j 代全局最优适应值 gbest(1,:,j)=x(i,:,j); % 第 j 代全局最优微粒的位置 [GC,GI]=min(B(1,1,:)); % 所有代的全局最优适应值赋给 GC, 代数赋给 GI bestminimum(j)=gc; % 所有代的最优适应值赋给 j 代的 bestminimum % 判断是否符合条件 if GC<=minerr Gpos=gbest(1,:,GI); break if j>=itmax % 若满足均方误差条件, 记录最优位置, 停止迭代

4 break % 超过最大迭代次数时, 退出 % 计算历史全局最优位置 if B(1,1,j)<GC gbest(1,:,j)=gbest(1,:,j); gbest(1,:,j)=gbest(1,:,gi); for p=1:n G(p,:,j)=gbest(1,:,j); % 计算各微粒历史最优位置 for i=1:n; [C,I]=min(L(i,1,:)); % 计算每个微粒的历史最优适应值, 赋给 C, 代数赋给 I if L(i,1,j)<=C pbest(i,:,j)=x(i,:,j); pbest(i,:,j)=x(i,:,i); V(:,:,j+1)=W(j)*V(:,:,j)+c1*rand*(pbest(:,:,j)-X(:,:,j))+c2*rand*(G(:,:,j)-X(:,:,j)); for ni=1:n for di=1:d if V(ni,di,j+1)>vmax V(ni,di,j+1)=vmax; if V(ni,di,j+1)<-vmax V(ni,di,j+1)=-vmax; V(ni,di,j+1)=V(ni,di,j+1); X(:,:,j+1)=X(:,:,j)+V(:,:,j+1); %2.3 将最优微粒 ( 即最优权值和阈值 ) 赋给神经网络 if j=itmax Gpos=gbest(1,:,GI); disp(' 要显示 Gpos 的值 ') disp(gpos) wi=gpos(1:hiddennum); % 输入层 - 隐藏层权值 wl=gpos(hiddennum+1:2*hiddennum); % 隐藏层 - 输出层权值

5 b1=gpos(2*hiddennum+1:3*hiddennum); % 输入层 - 隐藏层阈值 b2=gpos(3*hiddennum+1:3*hiddennum+outdim); % 隐藏层 - 输出层阈值 % 三神经网络训练部分 %******************************************************************* ********* [w,v]=size(testin); %w 返回行数,v 返回列数 for k=1:v % v 是测试样本的个数 for t=1:hiddennum % 计算隐藏层每个神经元的输入, 输出 hidinput=0; hidinput=wi(t)*testin(k)-b1(t); hidoutput(t)=tansig(hidinput); outinput=0; %used to calculate the value of output in outlayer for t=1:hiddennum outinput=outinput+wl(t)*hidoutput(t); % 输出层只有一个神经元时的情况 outval(k)=purelin(outinput-b2); % 输出层的输出值 subplot(2,1,1) %// 调用窗口句柄 [AlltestIn,AlltestOut]= postmnmx(testin,minalltestin,maxalltestin,testout,minalltestout,maxalltestout); % 反归一化 [ResVal]=postmnmx(outVal,minAlltestOut,maxAlltestOut); trainerror=abs(resval-alltestout); % 测试误差 for k=1:v SquareE(k)=(trainError(k)*trainError(k))/2; %v 个样本的误差数组 plot(alltestin,squaree) ylabel('error') subplot(2,1,2) j=1:1:h; plot(j,bestminimum(j)) set(gca,'xlim',[ ]); set(gca,'xminortick','on'); set(gca,'xtick',[ ]); set(gca,'ylim',[ ]); set(gca,'yminortick','on'); set(gca,'ytick',[ ]); set(gca,'yscale','log','xscale','log')

6 ylabel('training error') xlabel('iteration Number') hold on % 适应度函数部分 function fitval = fitcal(x,indim,hiddennum,outdim,d,ptrain,ttrain) % 三维矩阵 :x 微粒数 (X 的行数 );y 微粒维数 (X 的列数 );z 代数 (X 的层数 ) [x,y,z]=size(x); [w,v]=size(ptrain); % 二维矩阵 :w 训练样本维数, 这里为 1;v 训练样本个数 for i=1:x %x 代表粒子数量,z 代表代数 wi=x(i,1:hiddennum,z); wl=x(i,1*hiddennum+1:2*hiddennum,z); b1=x(i,2*hiddennum+1:3*hiddennum,z); b2=x(i,3*hiddennum+1:3*hiddennum+outdim,z); error=0; for k=1:v % 训练样本总数 for t=1:hiddennum hidinput=0; hidinput=wi(t)*ptrain(k)-b1(t); hidoutput(t)=tansig(hidinput); outinput=0; for t=1:hiddennum outinput=outinput+wl(t)*hidoutput(t); outval(k)=purelin(outinput-b2); errval(k)=ttrain(k)-outval(k); % 绝对误差 error=error+errval(k)*errval(k); %v 个样本的误差平方求和 fitval(i,1,z)=error/v; % 均方和, 返回值是第 i 个微粒第 z 代的误差

zxj

zxj 舟办通报第 8 期中共舟山市委办公室 2016 年 4 月 29 日按 : 现将周江勇同志在 2016 年 4 月 28 日在全市两学一做专题党课暨学习教育部署会上的讲话予以印发, 请认真贯彻落实学党章党规学系列讲话, 做合格党员学习教育, 是党中央