wavenet.m

小波神经网络,实现曲线拟和

%step1--------网络初始化-------------------------------------------
clc;
clear all;
%设定期望的误差最小值
err_goal=0.01;
%设定最大循环次数
max_epoch=50;
%设定修正权值的学习速率0.01-0.7
lr=0.6;
%设定动量因子的大小0-1
af=0.6;
epoch=0;
%产生一个1－－60之间的随机数
Y=randperm(9);
mm=Y(1);
%
%四种故障模式，训练数据有60个  xx
xx=[0.2286 0.1292 0.0720 0.1592 0.1335 0.0733 0.1159 0.0940 0.0522 0.1345 0.0090 0.1260 0.3619 0.0690 0.1828;
    0.2090 0.0947 0.1393 0.1387 0.2558 0.0900 0.0771 0.0882 0.0393 0.1430 0.0126 0.1670 0.2450 0.0508 0.1328;
    0.0442 0.0880 0.1147 0.0563 0.3347 0.1150 0.1453 0.0429 0.1818 0.0378 0.0092 0.2251 0.1516 0.0858 0.0670;
    0.2603 0.1715 0.0702 0.2711 0.1491 0.1330 0.0968 0.1911 0.2545 0.0871 0.0060 0.1793 0.1002 0.0789 0.0909;
    0.3690 0.2222 0.0562 0.5157 0.1872 0.1614 0.1425 0.1506 0.1310 0.0500 0.0078 0.0348 0.0451 0.0707 0.0880;
    0.0359 0.1149 0.1230 0.5460 0.1977 0.1248 0.0624 0.0832 0.1640 0.1002 0.0059 0.1503 0.1837 0.1295 0.0700;
    0.1759 0.2347 0.1829 0.1811 0.2922 0.0655 0.0774 0.2273 0.2056 0.0925 0.0078 0.1852 0.3501 0.1680 0.2668;
    0.0724 0.1909 0.1340 0.2409 0.2842 0.0450 0.0824 0.1064 0.1909 0.1586 0.0116 0.1698 0.3644 0.2718 0.2494;
    0.2634 0.2258 0.1165 0.1154 0.1074 0.0657 0.0610 0.2623 0.2588 0.1155 0.0050 0.0978 0.1511 0.2273 0.3220];
dd=[1 0 0;1 0 0;1 0 0;
    0 1 0;0 1 0;0 1 0;
    0 0 1;0 0 1;0 0 1];
M=15;%输入节点的个数
N=3;%输出节点的个数
n=31;%隐层节点的个数5-15
%是通过经验公式设定的，具体哪个好，要通过观察训练误差的大小来决定
Wjk=randn(n,M);
Wij=randn(N,n);
vWjk=zeros(n,M);
vWij=zeros(N,n);
a=randn(1,n);
%a=1:1:n;
%a=[7 7 7 7 7 7 7 7 7 7 7 7 7];
b=randn(1,n);
va=zeros(1,n);
vb=zeros(1,n);
% stepa=0.2*(x(M)-x(1));
% a=stepa:1n-1)+stepa;
% step=(x(M)-x(1))/n;
% b=x(1)+step:step:x(1)+n*step;
% y=zeros(1,N);%输出节点初始化
y=zeros(1,N);%输出节点初始化
net=zeros(1,n);%隐形节点初始化
net_ab=zeros(1,n);%隐形节点初始化

%初始化一个保存误差的向量
sse=zeros(1,1601);
mmm=1;
%初始化一个保存测试误差的向量
PP=1;
ssee=zeros(1,100);
mmmm=1;
YY=randperm(20);
cm=YY(1);
%
x=xx(mm,:);
d=dd(mm,:);
%
%step2--------对网络进行训练-------------------------------------------
%
for i=1:1:N
for j=1:1:n
for k=1:1:M
net(j)=net(j)+Wjk(j,k)*x(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
y(i)=y(i)+Wij(i,j)*mymorlet(net_ab(j));
%mymorlet是morlet小波
% y(i)=mysigmoid(2,y(i));
end
y(i)=mysigmiod(y(i));
end
% plot(x,d,'r',x,y); 
% title('训练前的目标序列和实际输出序列');
err=d-y;
SSE=err*err'/2;       % 总体误差  

%step3--------调整各个参数-------------------------------------------
while (epoch<max_epoch)
%while (SSE>err_goal & epoch<max_epoch)
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);
for i=1:1:N
for j=1:1:n
d_Wij(i,j)=(d(i)-y(i))*(1-y(i))*y(i);
%调整d_Wij(i,j)
for k=1:1:M       
d_Wjk(j,k)=d_Wjk(j,k)+(d(i)-y(i))*(1-y(i))*y(i)*Wij(i,j) ;%计算还没有结束
d_Wjk(j,k)=d_Wjk(j,k)*d_mymorlet(net_ab(j))*x(k)/a(j);%计算结束
end
%调整d_Wjk(j,k)
d_b(j)=d_b(j)+(d(i)-y(i))*(1-y(i))*y(i)*Wij(i,j);%计算还没有结束
d_b(j)=-d_b(j)*d_mymorlet(net_ab(j))/a(j);%计算结束
%调整d_b(j)
d_a(j)=d_a(j)+(d(i)-y(i))*(1-y(i))*y(i)*Wij(i,j);%计算还没有结束
d_a(j)=-d_a(j)*d_mymorlet(net_ab(j))*((net(j)-b(j))/a(j))/a(j);%计算结束
%调整d_a(j)
end
end

%step4--------网络重新计算-------------------------------------------
%修正各个权值
lWij=Wij;
lWjk=Wjk;
lb=b;
la=a;
Wij=Wij+lr*d_Wij+af*vWij;
Wjk=Wjk+lr*d_Wjk+af*vWjk;
b=b+lr*d_b+af*vb;
a=a+lr*d_a+af*va;
%修正从上次调整量中提取出的量
vWij=Wij-lWij;
vWjk=Wjk-lWjk;
vb=b-lb;
va=a-la;
y=zeros(1,N);%输出节点初始化
net=zeros(1,n);%隐形节点初始化
net_ab=zeros(1,n);%隐形节点初始化
%
Y=randperm(9);
mm=Y(1);
x=xx(mm,:);
d=dd(mm,:);
%
x
for i=1:1:N
for j=1:1:n
for k=1:1:M
net(j)=net(j)+Wjk(j,k)*x(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
y(i)=y(i)+Wij(i,j)*mymorlet(net_ab(j));
end
y(i)=mysigmiod(y(i));
end
epoch=epoch+1;
err=d-y;
SSE=(err*err')/2;
%
sse(mmm)=SSE;
mmm=mmm+1;
%
epoch
%训练一次后，测试一下
%
end            %总的end
%step5--------输出-------------------------------------------
%plot(x,d,'r',x,y,':'); 
%title('训练后的目标序列和实际输出序列');
% gtext({'This is the first line','This is the second line'})
% gtext({'First line','Second line'},'FontName','Times','Fontsize',12)
%legend('target output','WNN output',1);