bpnet.m

使用模糊神经网络实现非线性函数映射

% 使用TS模型实现 非线性映射：f(x1,x2)=sin(pi*x1)*cos(pi*x2); 

%首先计算隶属度函数，分成了5个等级
clear all;
x1=-1:0.1:1;
x2=-1:0.1:1;
C=[-1 -0.5 0 0.5 1;-1 -0.5 0 0.5 1];  %初始的Cij中心，每一行对应一个分量
Variance=zeros(2,5);
lrate=input('请输入学习率,回车为缺省值 0.6:   ');
if isempty(lrate)
   lrate=0.6; %学习率alfa
end
count=input('请输入迭代步数,回车为缺省值 300步:    ');
if isempty(count)
  count=300; % 学习迭代次数
end
disp '隶属度函数的方差为0.15'
Variance=Variance+0.15;                %初始的隶属度函数的方差
%Rule=zeros(25,441);     %规则的使用度,网络的第三层
%Rule1=zeros(25,441);    %归一化后的适用度
W=rand(25,3);        %TS模型后件网络的系数p
%Y=zeros(1,25);       %使用TS模型每一条规则的后件
%初始计算隶属度函数的值
for i=1:5
    for j=1:21
        b1(i,j)=exp(-(x1(j)-C(1,i))*(x1(j)-C(1,i))/Variance(1,i));
    end
end
figure('color','white');
for i=1:5
    plot(x1,b1(i,:));hold on;
end
title('输入分量x1和x2的隶属度函数');
disp '计算中,请等待......'
%载入样本数据，采样率0.1
load sample;
load dt;
[P T]=size(sample);
dt=t;
Temp=ones(P,1);
sample1=[Temp sample];   %在后件网络中使用的样本,有一列为1

%首先计算初始的计算值
for k=1:count
    for p=1:P
        %计算输出
        %分层计算 ,第二层中的隶属度函数的值
        for i=1:5
            belong1(i,p)=exp(-(sample(p,1)-C(1,i))*(sample(p,1)-C(1,i))/Variance(1,i));
            belong2(i,p)=exp(-(sample(p,2)-C(2,i))*(sample(p,2)-C(2,i))/Variance(2,i));
        end      
         %开始计算第三层
        for i=1:5
            for j=1:5
                TempA=[belong1(i,p) belong2(j,p)];
                [Value Index]=min(TempA); 
                 Rule((i-1)*5+j,p)=Value;
                 if (Rule((i-1)*5+j,p))< 0.05
                     Rule((i-1)*5+j,p)=0;
                 end   %end if
            end  % end of j
        end    %end of i
        %第四层
        Rule1(:,p)=Rule(:,p)/sum(Rule(:,p));
        %前件计算结束
        %计算后件网络    
        for i=1:25
            Y(i,p)=sample1(p,:)*W(i,:)';
        end
        YF(p)=Y(:,p)'*Rule1(:,p);
        es=dt(p)-YF(p);
        for j1=1:25  
            for i1=1:3        
                TempW(j1,i1)=W(j1,i1)+lrate*es*Rule1(j1,p)*sample1(p,i1);  
            end   %end of i
        end   %end of j
        W=TempW; 
    end
    E(k)=sqrt((dt-YF)*(dt-YF)')/P;  %RMS
    k
end  %end of k


%误差显示和结果输出
k=1:count;
figure('color','white');
plot(k,E(k));
t=strcat('Fuzzy Netual Network 学习算法学习曲线,最终误差=',num2str(E(count)));
title(t);
xlabel('迭代步数');
ylabel('学习误差');
disp 'finished!!!!'
E(count)


%测试网络,使用不同的采样率数据测试,输出结果
load sample1
load dt1
[P T]=size(sample);
temp=ones(P,1);
sample1=[temp sample];
dt=t;

%计算网络输出得到误差
    for p=1:P
    %分层计算 ,第二层中的隶属度函数的值
    for i=1:5
        belong1(i,p)=exp(-(sample(p,1)-C(1,i))*(sample(p,1)-C(1,i))/Variance(1,i));
        belong2(i,p)=exp(-(sample(p,2)-C(2,i))*(sample(p,2)-C(2,i))/Variance(2,i));
    end      
     %开始计算第三层
     for i=1:5
         for j=1:5
             TempA=[belong1(i,p) belong2(j,p)];
             [Value Index]=min(TempA); 
             Rule((i-1)*5+j,p)=Value;
             if (Rule((i-1)*5+j,p))< 0.005
                 Rule((i-1)*5+j,p)=0;
             end   %end if
          end  % end of j
     end    %end of i
    %第四层
    Rule1(:,p)=Rule(:,p)/(sum(Rule(:,p)));
    %前件计算结束
    %计算后件网络
    for i=1:25
        Y(i,p)=sample1(p,:)*W(i,:)';
    end
    YF(p)=Y(:,p)'*Rule1(:,p);
end        
%E1=(0.5*(dt-YF)*(dt-YF)')/P;  
for i=1:17
    for j=1:17
        AfterTrain(i,j)=YF(17*(i-1)+j);      
    end
end
figure('color','white');
load X1
load Y1
surf(X,Y,AfterTrain);
title('训练后f(x1,x2)=sin(\pix1)cos(\pix2)的图形');
tic
toc