ryubao.m

主要实现了烧结矿碱度的神经网络预测

%NEWFF---生成一个新的前向神经网络
% TRAIN---对BP神经网络进行训练
% SIM---对BP神经网络进行仿真
%敲任意键开始
pause

%定义训练样本
%P为输入矢量

P=[  0
    .014253    
   -.000083    
     -.004412    
    -.01873    
    -.023038  
     .082662     
     .068372     
     .084091     
    .04982    
     .045558     
      .041305    
     .037062     
      .032828     
    .048603    
    .024388     
    .030181     
     .035984    
      .041796     
     .037618     
    -.006553   
   -.010713    
     .015135    
   -.129007    
  -.13314    
    -.117265   
  -.12138   
   -.125486   
    -.149584  
   -.113672   
   -.117751   
     -.121823    
    -.135883   
    -.139937    
    -.07398   
    -.078016   
     .087959    
      .09394    
     .069933     
     .085932     
     .081941    
    .107959   
     .083985     
     .090019    
     .086064     
     .092116    
     .018176    
     .034247 
     ]'
T=[2.0
1.97
1.98
1.98
1.99
1.99
1.88
1.89
1.87
1.9
1.9
1.9
1.9
1.9
1.88
1.9
1.89
1.88
1.87
1.87
1.91
1.91
1.88
2.02
2.02
2.0
2.0
2.0
2.02
1.98
1.98
1.98
1.99
1.99
1.92
1.92
1.75
1.74
1.76
1.74
1.74
1.71
1.73
1.72
1.72
1.71
1.78
1.76
]'

tmin=min(T)
tmax=max(T)
T1=0.8*[(T-tmin)/(tmax-tmin)]+0.1
pause;
clc
%创建一个新的前向神经网络
net=newff(minmax(P),[12,1],{'tansig','purelin'},'trainlm');
%当前输入层权值和阈值
inputWeights=net.IW{1,1}
inputbias=net.b{1}
%当前网络层权值和阈值
layerWeights=net.LW{2,1}
layerbias=net.b{2}
pause;

%网络初始化
net=init(net)
%设置训练参数
net.trainParam.show=50;
net.trainParam.lr=0.35;

net.trainParam.mc=0.75;
net.trainParam.epochs=10000;
net.trainParam.goal=0.001;
pause
clc
%调用TRAINRP算法训练BP网络
[net,tr]=train(net,P,T)
pause

%对BP网络进行仿真
A=sim(net,P)
%计算仿真误差
E=T-A
MSE=mse(E)
pause
echo off
figure
%以运行时间为横坐标，画出目标矢量和仿真输出的变化曲线
h=[0:12:564];
plot(h,T,'b<',h,A,'r*')
title('最小二乘支持向量机的烧结矿碱度预测');
xlabel('时间(单位：小时）');
ylabel('烧结矿碱度（倍数）');
legend('化验实际值','预测值')
figure
plot(h,E,'r*')
title('最小二乘支持向量机烧结矿碱度误差信号');
xlabel('时间(单位：小时）');
ylabel('绝对误差')