人工智能matlab仿真

本文格式為Word版，下載可任意編輯——人工智能matlab仿真min(objV)%尋覓當(dāng)前微小值minY=min(objV);

[y,i]=min(objV);

x=bs2rv(Chrom,FieldD);xmin(1,:)=x(i,:);

disp(['對(duì)應(yīng)最小自變量取值：',num2str(x(i,:))])%輸出最優(yōu)個(gè)體disp(['對(duì)應(yīng)最小值：',num2str(y)])%輸出最優(yōu)個(gè)體end

ifmaxYmin(objV)%尋覓當(dāng)前最優(yōu)個(gè)體minY=min(objV);end

trace(gen,1)=minY;%保存當(dāng)前最優(yōu)個(gè)體end

%%結(jié)果輸出

[Y,I]=min(objV);X=bs2rv(Chrom,FieldD);Xmin(1,:)=X(I,:);

disp(['對(duì)應(yīng)自變量取值：',num2str(X(I,:))])%輸出最優(yōu)個(gè)體m=size(Data,1);

fori=1:m%輸出最優(yōu)個(gè)體的函數(shù)擬合值Y(i,1)=Xmin(1,1)*(exp((-1)*Xmin(1,2)*(Data(i,1)))-exp((-1)*Xmin(1,3)*(Data(i,1))));

ARE(i,1)=Data(i,2)-Y(i,1);end

RESM=variance(Data(:,2),Y);%計(jì)算方差disp(['方差：',num2str(RESM)])%%畫圖

figure(1)%畫進(jìn)化過(guò)程圖plot(1:gen,trace(:,1));

figure(2);%畫出期望值與擬合值曲線plot(Data(:,1),Data(:,2),'rd-');holdon

plot(Data(:,1),Y,'b*-')xlabel('時(shí)間');ylabel('酒精含量');

legend('期望值','擬合值');figure(3)

plot(Data(:,1),ARE,'rd-')xlabel('時(shí)間');ylabel('誤差');

（4）運(yùn)行結(jié)果

進(jìn)行20次的多項(xiàng)式擬合后圖如下：

所以，對(duì)應(yīng)自變量取值：k=113.3353q=0.1841013r=2.206932

方差：3.3748

3.設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)，并對(duì)輸入信號(hào)進(jìn)行預(yù)計(jì)。輸入為一線性調(diào)頻信號(hào)，信號(hào)采樣時(shí)間為2s，采樣頻率為1000Hz，起始到信號(hào)的瞬時(shí)為0Hz，1s時(shí)的瞬時(shí)頻率為150Hz。

（1）此題采用三層BP神經(jīng)網(wǎng)絡(luò)。

第一步，網(wǎng)絡(luò)初始化。給各連接權(quán)值分別賦一個(gè)區(qū)間內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e，給定計(jì)算精度值和最大學(xué)習(xí)次數(shù)M。

其次步,隨機(jī)選取第2000個(gè)輸入樣本，前1900作為訓(xùn)練樣本最終100做測(cè)試。

第三步，計(jì)算隱含層各神經(jīng)元的輸入和輸出。第四步，利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元

的偏導(dǎo)數(shù)a。

第五步利用隱含層到輸出層的連接權(quán)值、輸出層和隱含層a的輸出計(jì)算誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)b。

第六步，利用輸出層各神經(jīng)元的a和隱含層各神經(jīng)元的輸出來(lái)修正連接權(quán)值w。第七步：利用隱含層各神經(jīng)元的a和輸入層各神經(jīng)元的輸入修正連接權(quán)。（2）神經(jīng)網(wǎng)絡(luò)算法流程圖：

初始化加輸入和期望輸出計(jì)算隱層和輸出層的輸出調(diào)理輸出層和隱層的鏈接權(quán)值改變訓(xùn)練樣板N訓(xùn)練終止？Y迭代次數(shù)加1N迭代終止？Y

（3）試驗(yàn)程序

%%設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)，并對(duì)輸入信號(hào)進(jìn)行預(yù)計(jì)

%%信號(hào)采樣時(shí)間為2s，采樣頻率為1000Hz，起始到信號(hào)的瞬時(shí)為0Hz，1s時(shí)的瞬時(shí)

頻率為150Hzclc;clear;

time=0:0.001:2;

y=chirp(time,0,1,150,'linear');y=y';

time=time';m=size(y,1);

%%網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)以前四個(gè)時(shí)刻預(yù)計(jì)第五個(gè)時(shí)刻fori=1:1896X(i,1)=y(i,1);X(i,2)=y(i+1,1);X(i,3)=y(i+2,1);X(i,4)=y(i+3,1);Y(i,1)=y(i+4,1);end

%%網(wǎng)絡(luò)訓(xùn)練s=size(Y,2);p=X';t=Y';

%數(shù)據(jù)歸一化

[pn,minX,maxX]=premnmx(p);%將數(shù)據(jù)歸一化[tn,minY,maxY]=premnmx(t);%將數(shù)據(jù)歸一化%訓(xùn)練網(wǎng)絡(luò)

net=newff(minmax(pn),[8,s],{'tansig','purelin'},'trainlm');net.trainParam.goal=0.001;net.trainParam.epochs=800;net=train(net,pn,tn);yn=sim(net,pn);

Yn=postmnmx(yn,minY,maxY);y_train=Yn';

%%訓(xùn)練誤差train_number=size(X,1);fori=1:train_number

ARE(i,1)=Y(i,1)-y_train(i,1);end

%%網(wǎng)絡(luò)測(cè)試數(shù)據(jù)fori=1:97

X_test(i,1)=y(i+1900,1);X_test(i,2)=y(i+1901,1);X_test(i,3)=y(i+1902,1);X_test(i,4)=y(i+1903,1);Y_test(i,1)=y(i+1904,1);end

%%網(wǎng)絡(luò)測(cè)試q=X_test';u=Y_test';

[qn]=tramnmx(q,minX,maxX);y_tr=sim(net,qn);

y_trr=postmnmx(y_tr,minY,maxY);y_test=y_trr';train_number=size(X,1);test_number=size(X_test,1);test_number=size(X_test,1);%%測(cè)試誤差

fori=1:test_number

ARE_1(i,1)=Y_test(i,1)-y_test(i,1);end

%%畫圖figure(1);plot(Y,'rd-');

holdon

plot(y_train,'b*-')

legend('訓(xùn)練樣本輸出期望值','訓(xùn)練樣本輸出預(yù)計(jì)值');axis([0500-1.51.5])figure(2);plot(Y,'rd-');holdon

plot(y_train,'b*-')

legend('訓(xùn)練樣本輸出期望值','訓(xùn)練樣本輸出預(yù)計(jì)值');axis([5011000-1.51.5])figure(3);plot(Y,'rd-');holdon

plot(y_train,'b*-')

legend('訓(xùn)練樣本輸出期望值','訓(xùn)練樣本輸出預(yù)計(jì)值');axis([10011500-1.51.5])figure(4);plot(Y,'rd-');holdon

plot(y_train,'b*-')

legend('訓(xùn)練樣本輸出期望值','訓(xùn)練樣本輸出預(yù)計(jì)值');axis([15011900-1.51.5])figure(5);

plot(ARE,'b*-');

axis([0500-0.20.2])figure(6);

plot(ARE,'b*-');

axis([5011000-0.20.2])figure(7);

plot(ARE,'b*-');

axis([10011500-0.20.2])figure(8);

plot(ARE,'b*-');

axis([15011900-0.20.2])figure(9);

plot(ARE_1,'b*-');figure(10);

plot(Y_test,'rd-');holdon

plot(y_test,'b*-')

（4）運(yùn)行結(jié)果

下圖分別為0-1900樣本分成4組的訓(xùn)練過(guò)程

1.5訓(xùn)練樣本輸出期望值訓(xùn)練樣本輸出預(yù)計(jì)值10.50-0.5-1-1.50501001502023503003504004505001.5訓(xùn)練樣本輸出期望值訓(xùn)練樣本輸出預(yù)計(jì)值10.50-0.5-1-1.55506006507007508008509009501000

1.5訓(xùn)練樣本輸出期望值訓(xùn)練樣本輸出預(yù)計(jì)值10.50-0.5-1-1.51050110011501202325013001350140014501500

1.5訓(xùn)練樣本輸出期望值訓(xùn)練樣本輸出預(yù)計(jì)值10.50-0.5-1-1.51050110011501202325013001350140014501500

它們對(duì)應(yīng)的誤差變化圖像如下：

0.20.150.10.050-0.05-0.1-0.15-0.20.20.150.10.050-0.05-0.1-0.15-0.20501001502023503003504004505005506006507007508008509009501000

0.20.150.10.050-0.05-0.1-0.15-0.20.20.150.10.050-0.05-0.1-0.15-0.210501100115012023250130