c_a_l_m
2011-04-21
clc
clear
t1 = tic；
%t1 = clock；
load data
%% 資料累加作為網路輸入
［n，m］=size（X）；
for i=1：n
for j=1：m
y（i，j）=sum（X（1：i，j））；
end
end
%% 網路引數初始化
a=0。3+rand（1）/4；
for k=1：（m-1）
b（k）=0。3+rand（1）/4；
end
%% 學習速率初始化
for k=1：（m-1）
u（k）=0。0015；
end
%% 權值閥值初始化
t=1；
w11=a；
w2（1，1）=-y（1，1）；
for k=2：m
w2（k）=2*b（k-1）/a；
end
for k=1：m
w3（k）=1+exp（-a*t）；
end
theta1=0；
for k=1：（m-1）
theta1=theta1+b（1，k）*y（1，（k+1））/a；
end
theta2=（1+exp（-a*t））*（theta1-y（1，1））；
kk=1；
%% 迴圈迭代
for j=1：10
%迴圈迭代
E（j）=0；
for i=1：（n-6）
%% 網路輸出計算
t=i；
%LB層輸出
LB_b=1/（1+exp（-w11*t））；
%LC層輸出
LC_c（1，1）=LB_b*w2（1，1）；
for k=2：m
LC_c（k）=y（i，k）*LB_b*w2（1，k）；
end
%LD層輸出
LD_d=0；
for k=1：m
LD_d=LD_d+w3（1，k）*LC_c（1，k）；
end
%閥值
theta3=0；
for k=2：m
theta3=theta3+w2（1，k）*y（i，k）/2；
end
theta4=（1+exp（-w11*t））*（theta3-y（1，1））；
%網路輸出值
ym=LD_d-theta4；
yc（i）=ym；
%% 權值修正
error=ym-y（i，1）； %計算誤差
E（j）=E（j）+abs（error）； %誤差求和
%計算誤差
for k=1：m
errorr（k）=error*（1+exp（-w11*t））；
end
thetaE0=0；
for k=1：m
thetaE0=thetaE0+w2（1，k）*errorr（1，k）；
end
thetaE=（1/（1+exp（-w11*t）））*（1-1/（1+exp（-w11*t）））*thetaE0；
%修改權值
for k=2：m
w2（1，k）=w2（1，k）-u（k-1）*errorr（1，k）*LB_b；
end
w11=w11+a*t*thetaE；
end
end
%畫誤差隨進化次數變化趨勢
figure（1）
plot（E）
title（‘訓練誤差’，‘fontsize’，12）；
xlabel（‘進化次數’，‘fontsize’，12）；
ylabel（‘誤差’，‘fontsize’，12）；
%print -dtiff -r600 28-3
%根據訓出的神經網路進行預測
for i=（n-5）：n
t=i；
LB_b=1/（1+exp（-w11*t））； %LB層輸出
LC_c（1，1）=LB_b*w2（1，1）； %LC層輸出
for k=2：m
LC_c（1，k）=y（i，k）*LB_b*w2（1，k）； %LC層輸出
end
LD_d=0；
for k=1：m
LD_d=LD_d+w3（1，k）*LC_c（1，k）； %LD層輸出
end
theta5=0；
for k=2：m
theta5=theta5+w2（1，k）*y（i，k）/2；
end
theta6=（1+exp（-w11*t））*（theta5-y（1，1））； %閥值
ym=LD_d-theta6； %網路輸出值
yc（i）=ym；
end
yc=yc*10；
y（：，1）=y（：，1）；
%計算預測
for j=n：-1：2
ys（j）=（yc（j）-yc（j-1））/10；
end
figure（2）
plot（ys（（n-5）：n），‘-*’）；
hold on
plot（X（（n-5）：n，1），‘r：o’）；
legend（‘預測值’，‘實際值’）
title（‘灰色神經網路預測’，‘fontsize’，12）
xlabel（‘x’，‘fontsize’，12）
ylabel（‘y’，‘fontsize’，12）
