s23uan.m

这个程序用来对于神经网络负荷预测进行训练

clear ;
clear all;
load s23b
load s23t
% rand('state',0);
%  net=newrb;
% [net,tr]=newrb(P,T,0,1,51,1);
%  net=newgrnn(P,T,3);
%规定输入向量的最大值和最小值 
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
% % % %确定传递函数及训练函数
net=newff(threshold,[180,96],{'tansig','logsig','trainlm'});%trainlm-Levenberg-Marquardt BP 训练函数
net=init(net);
net.trainParam.epochs=500;
net.trainParam.goal = 0.01;         % 最小均方误差
net.trainParam.min_grad = 1e-22;    % 最小梯度
net.trainParam.show = 200;          % 训练显示间隔
net.trainParam.time = inf;          % 最大训练时间

% lp.mc=0.8;
LP.lr=0.01;

net=train(net,P,T); 
%  net=train(net,P,T); 
P_testt=[358.64	359.45	353.92	338.87	335.37	351.28	348.99	334.5	327.18	313.65	318.92	320.67	317.64	307.68	285.32	294.29	300.1	307.23	301.61	300.14	302.21	288.1	278.65	286.31	296.17	310.55	304.83	304.35	300	302.22	296.14	282.1	284.1	314.77	351.51	351.25	367.39	369.44	370.76	389.34	393.68	395.4	394.81	396.43	412.3	419.68	428.97	421.29	421.48	407.18	413.27	391.29	394.11	406.59	411.79	422.45	413.41	421.8	415.39	422.28	428.52	427.74	412.57	388.46	362.03	388.34	387.1	387.04	399.07	399.36	407.19	414.08	407.47	414.95	414.61	412.27	405.04	418.19	432.33	456.56	486.78	492.4	495.14	491.9	493.41	497.78	503.11	492.42	490.64	486	480.75	470.03	459.82	446.31	434.13	404.32];
P_test1=(P_testt-150)/600;
P_test=[P_test1 0.12 0.15]';
Out=sim(net,P_test) ;
%t_test=[0.4392];



%y=Out-t_test;
disp ('相对误差:（单位：％）')
%e=y/t_test*100;
f=600*Out+150
% x=[345.74	344	340.34	338	331.45	342	342	337.14	335.33	330.34	331	340.13	325.49	333.1	326.09	314.68	307.96	322.05	320.4	313	311.38	318.36	319.99	328.69	346.05	360.88	369.21	352.09	350	357.45	358.63	344.18	357.13	391.92	409.78	441.21	450.36	461.81	479.76	479.97	482.84	487.84	489.72	491.81	506.67	502.59	511.39	512.87	483.77	466.54	471.02	462.28	446.16	468.16	464.08	467.81	449.72	469.55	478.77	474.28	489.17	501.09	500.71	475	481.55	462.61	476.51	508.44	496.89	505.42	522.58	516.02	521.35	510.91	491.3	488.45	489.77	479.77	497.98	526.56	561.12	578.81	585.63	586.23	598.21	582.88	585.59	580.72	566.12	550.47	563.28	549.69	519.97	498	497.12	437.47];
% plot(1:96,(f-x)*100/x)
% y=(f-x)*100/x
% W=net.iw{1};%输入层的加权矩阵
%Q=net.iw{1,1};%为第隐层的加权矩阵
%S=net.b{1};
%C=net.b{1,1};
%save('tt2','W','Q','S','C')