waveletnetwork.m

来自「MATLAB中应用小波神经网络（WNN）对模式识别处理」· M 代码 · 共 543 行 · 第 1/3 页

0.3811	0.2566	0.2041	0.1316	0.05012	0.1136	0.09829	0.06986	0.05041	0.02355
0.4076	0.2085	0.1105	0.05602	0.02857	0.1127	0.0818	0.06392	0.04779	0.03574
0.386	0.2868	0.2085	0.1128	0.1093	0.1142	0.08363	0.07118	0.03671	0.02668
0.3829	0.2309	0.1948	0.09944	0.07762	0.089	0.05745	0.03534	0.02746	0.02288
0.3872	0.2186	0.1502	0.1051	0.07756	0.1122	0.1002	0.0697	0.04102	0.03698
0.1944	0.1344	0.08911	0.07077	0.06299	0.3245	0.2426	0.1587	0.04624	0.04066
0.1752	0.151	0.11	0.1003	0.06794	0.3952	0.3333	0.1657	0.1466	0.141
0.2609	0.1828	0.1228	0.1131	0.07349	0.5937	0.4321	2794	0.2287	0.1079
0.1894	0.1275	0.1089	0.05754	0.04377	0.4197	0.2643	0.1836	0.1696	0.1232
0.2528	0.1769	0.1599	0.1149	0.07392	0.528	0.3445	0.2605	0.1817	0.08807
0.1684	0.09823	0.07031	0.05865	0.04059	0.4064	0.3307	0.2325	0.1746	0.1566
0.1815	0.1386	0.09682	0.06708	0.04781	0.4468	0.3768	0.3153	0.268	0.1181
0.1459	0.1012	0.07736	0.04293	0.0314	0.3186	0.2577	0.1687	0.1149	0.09182
0.1921	0.1613	0.143	0.1049	0.05965	0.3744	0.2644	0.2248	0.1894	0.1206
0.1854	0.1411	0.0812	0.0424	0.03398	0.3788	0.2299	0.101	0.06233	0.03213
0.1771	0.1043	0.08031	0.04995	0.03449	0.3815	0.273	0.2306	0.1422	0.105
0.1773	0.1104	0.08155	0.04932	0.02451	0.3471	0.2195	0.1719	0.1178	0.1093
0.1706	0.1017	0.06015	0.04211	0.03462	0.3396	0.1984	0.1045	0.05272	0.04299
0.1506	0.08778	0.06083	0.03166	0.02753	0.4079	0.2866	0.126	0.1169	0.08921
0.1555	0.1235	0.08281	0.06462	0.0567	0.4068	0.2549	0.1723	0.1192	0.09939
0.1805	0.1179	0.07706	0.04081	0.03552	0.3905	0.321	0.1304	0.06539	0.05561
0.1404	0.09726	0.06411	0.04189	0.02155	0.4406	0.2687	0.193	0.09314	0.06491
0.1737	0.1058	0.08523	0.04828	0.02924	0.456	0.262	0.2287	0.1996	0.1201
0.1574	0.09068	0.07044	0.0549	0.0411	0.3696	0.2813	0.1621	0.1375	0.119
0.1599	0.09374	0.07137	0.04796	0.04027	0.3905	0.1833	0.1127	0.06366	0.0535
0.3396	0.2285	0.1647	0.1471	0.0784	0.1555	0.1212	0.1018	0.09709	0.06911
0.4138	0.2889	0.1357	0.06496	0.0441	0.2484	0.1683	0.1413	0.1157	0.01681
0.2543	0.1801	0.1131	0.08648	0.06785	0.1846	0.1497	0.1218	0.06232	0.04515
0.2948	0.1993	0.1141	0.09066	0.05919	0.1949	0.1671	0.1357	0.06733	0.0592
0.2187	0.1466	0.1062	0.09575	0.08838	0.1386	0.1037	0.05508	0.0301	0.0286
0.2602	0.1936	0.1511	0.1303	0.112	0.1294	0.06769	0.0453	0.02471	0.01854
0.3311	0.2483	0.2352	0.14	0.08499	0.1757	0.1435	0.1112	0.02748	0.01671
0.29	0.1563	0.1436	0.1081	0.0873	0.1798	0.1284	0.1109	0.1017	0.07002
0.2557	0.1665	0.1549	0.04602	0.03449	0.2276	0.09191	0.0694	0.03844	0.01514
0.2579	0.2229	0.1629	0.07591	0.05771	0.1705	0.09039	0.07068	0.0742	0.01831
0.3457	0.1858	0.1482	0.09657	0.03509	0.226	0.1376	0.1171	0.05694	0.04225
0.3523	0.2043	0.1349	0.09242	0.04402	0.1925	0.1454	0.1111	0.085	0.06024
0.4625	0.3877	0.1973	0.136	0.1217	0.1579	0.1117	0.0924	0.03456	0.02188
0.5091	0.4448	0.2847	0.2736	0.08984	0.2054	0.162	0.1104	0.04705	0.0364
0.3061	0.1501	0.07541	0.05767	0.03728	0.2238	0.2047	0.1657	0.1077	0.09818
0.2928	0.2269	0.1473	0.1009	0.06514	0.1388	0.06188	0.04765	0.02406	0.01718
0.3784	0.2786	0.1299	0.1038	0.06199	0.1804	0.132	0.09684	0.05619	0.04992
0.3261	0.2694	0.1735	0.1327	0.1201	0.2219	0.1255	0.1	0.08241	0.02495
0.2811	0.2203	0.1817	0.0828	0.03257	0.2063	0.1125	0.09054	0.07212	0.03864
0.3119	0.2408	0.2094	0.1287	0.04976	0.1856	0.1368	0.08419	0.06293	0.02899]'

x2=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
    0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
    0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
    0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]


 P=3 %numberof sample
 m=1%number of input node
 n=10%number of hidden node
 N=1%number of ouptut node
 %
 %a(n) b(n) scale and shifting parameter matrix
 %x(P,m) input matrix of P sample
 %net(P,n) ouput of hidden node
 %y(P,N) output of network
 %d(P,N) ideal output of network
 % phi(P,n) ouput of hidden node wavelet funciton
 %W(N,n)weight value between ouput and hidden 
 %WW(n,m) weight value between  hidden and input node
x=[4;5;6]
d=[1.3;3.6;6.7]
W=rand(N,n)
WW=rand(n,m)
a=ones(1,n)
for j=1:n
b(j)=j*P/n;
end
 %%%%%%%%%%%%%%%%%%
 %EW(N,n) gradient of W
 %EWW(n,m) gradient of WW
 %Ea(n) gradient of a
 %Eb(n) gradient of b
 %%%%%%%%%%%%%%]
 epoch=1;
 epo=100;
 error=0.05;
 err=0.01;
 delta =1;
 lin=0.5;
 while (error>=err & epoch<=epo)
     
     u=0;%u is the middle variant
     %caculation of net input 
     for p=1:P
         for j=1:n
             u=0;
              for k=1:m
                  u=u+WW(j,k)*x(p,k);
              end
              net(p,j)=u;
              
         end
     end
     %calculation of morlet 0r mexican wavelet output
          for p=1:P
              for j=1:n
                  u=net(p,j);
                  u=(u-b(j))/a(j);
                  phi(p,j)=cos(1.75*u)*exp(-u*u/2); %morlet wavelet
                  %phi(p,j)=(1-u^2)*exp(-u*u/2); %mexican hat wavelet
              end
          end
      %calculation of output of network
     
         for p=1:P
             for i=1:N
                 u=0;
                 for j=1:n
                     u=u+W(i,j)*phi(p,j);
                 end
                 y(p,i)=delta*abs(u);
             end
         end
       %calculation of error of output
       u=0;
     for p=1:P
         for i=1:N
            u=u+abs(d(p,i)*log(y(p,i))+(1-d(p,i)*log(1-y(p,i))));
            %u=u+(d(p,i)-y(p,i))^2;
         end
     end
     %u=u/2
     error=u; 
     %calculate of gradient of network
     for i=1:N
         for j=1:n
             u=0;
             for p=1:P
                 u=u+(d(p,i)-y(p,i))*phi(p,j);
             end
             EW(i,j)=u;
             %EW(i,j)=-u;%the resule would be wrong
         end
     end
     for j=1:n
         for k=1:m
             u=0
             for p=1:P
                 for i=1:N
                    u=u+(d(p,i)-y(p,i))*W(i,j)*phi(p,j)*x(p,k)/a(j) ;
                 end
             end
             EWW(j,k)=u;
             %EWW(j,k)=u the result would be wrong
         end 
     end 
     for j=1:n
             u=0
             for p=1:P
                 for i=1:N
                    u=u+(d(p,i)-y(p,i))*W(i,j)*phi(p,j)/a(j) ;
                 end
             end
             Eb(j)=u;
     end 
     for j=1:n
             u=0
             for p=1:P
                 for i=1:N
                    u=u+(d(p,i)-y(p,i))*W(i,j)*phi(p,j)*((net(p,j)-b(j))/b(j))/a(j) ;
                 end
             end
             Ea(j)=u;
     end 
    %adjust of weight value
    WW=WW-lin*EWW;
    W=W-lin*EW;
    a=a-lin*Ea;
    b=b-lin*Eb;
     %number of epoch increase by 1
     epoch=epoch+1;
     
 end