sjwl.m

生成系数矩阵

function hh=sjwl(t1,t2)
p=t1(:,1:2);
p=p';%目标矢量
pp=t2(:,1:2);%目标矢量
pp=pp';
h=(t1(:,3)-t1(:,4))';
s=3;%隐含层神经元个数
for i = 1:1
[pn,minp,maxp,hn,minh,maxh]=premnmx(p,h);%归一化处理
%p，h分别为原始输入和输出数据，minp和maxp分别为p中的最小值和最大值。minh和maxh分别为h的最小值和最大值。
%premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。
net=newff(minmax(pn),[2,s(i),1],{'tansig','tansig','tansig'},'traingdx');%创建网络

%函数newff建立一个可训练的前馈网络。这需要4个输入参数。
%第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值
%第二个参数是一个设定每层神经元个数的数组。
%第三个参数是包含每层用到的传递函数名称的细胞数组。tansig 正切S型传递函数
%最后一个参数是用到的训练函数的名称。traingdx 梯度下降w/动量和自适应lr的BP算法训练函数
net.trainparam.lr=0.05;%设置学习速率
net.trainparam.epochs=5000;%设置最大训练循环次数
net.trainparam.goal=0.002;%设置性能目标值
net=train(net,pn,hn);%网络训练
T=sim(net,pn);% sim仿真一个神经网络
close(gcf);
pp1=tramnmx(pp,minp,maxp);%归一化处理
hh1=sim(net,pp1);%求未知点的高程异常(归一以后的)
hh=postmnmx(hh1,minh,maxh);
hh=hh';
%save filename net;  
end