matlab 坐标求函数表达式,Matlab---BP神经网络(获取数学表达式)
前言
源代码
数据预处理分析
1 相关性分析
2 聚类分析
3 随机获取训练数据和预测数据集
4 对数据进行归一化
BP神经网络
1 BP神经网络结构本例
2 神经网络训练后权值和阈值查看
3 神经网络训练完输出与输入关系式
0 前言
训练数据下载:
data.mat
1. 源代码
【main.m】
%% 清空环境变量
clc
clear
%% 从Excel导入变量
load data;
%% 相关性分析
R = corrcoef(tempData);
figure;
ss = size(tempData,2);
%热图,将相关性可视化出来
imagesc(R);
set(gca,'xtick',1:ss);
set(gca,'ytick',1:ss);
set(gca,'xticklabel',variables);
set(gca,'yticklabel',variables);
axis([0 ss+1 0 ss+1]);
grid;
colorbar;
%% 获取BP神经网络训练数据
%通过聚类分析得到训练数据
allData = tempKmean(tempData,variables);
[m0,n0] = size(allData)
input = allData(:,1:(end-1));
output = allData(:,end)'; %% 随机选取s组训练数据,以及t组预测数据(s+t < 25000) s = m0-(m0/20); t = (m0)/20; k = rand(1,s+t); %重新得到向量k的有序(从小到大排列)向量m,并得到对应的下标向量n [m,n]=sort(k); input_train = input(n(1:s),:)';
output_train = output(n(1:s));
input_test = input(n(s+1:s+t),:)'; output_test = output(n(s+1:s+t)); %% 训练数据归一化 [inputn,inputps] = mapminmax(input_train); [outputn,outputps] = mapminmax(output_train); %% BP网络训练 %初始化网络结构 net=newff(inputn,outputn,6); net.trainParam.epochs=1000; net.trainParam.lr=0.1; net.trainParam.goal=0.00004; %网络训练 net=train(net,inputn,outputn); %% 用训练好的BP神经网络预测函数输出 %预测数据归一化 inputn_test=mapminmax('apply',input_test,inputps);
%预测输入预测
Y = sim(net,inputn_test);
figure;
plot(Y);
title('BP神经网络预测输出','FontName','Times New Roman','FontWeight','Bold','FontSize',16)
%% 输出结果反归一化
BPoutput = mapminmax('reverse',Y',outputps)'; figure; plot(BPoutput); title('输出结果反归一化','FontName','Times New Roman','FontWeight','Bold','FontSize',16);
%% 网络预测函数
% tansig数学表达式:a = tansig(n) = 2./(1+exp(-2*n))-1
% purlin数学表达式:a = purelin(n) = n
%获取权值和阈值
w1 = net.iw{1,1} %输入层到隐层的权值
b1 = net.b{1,1} %输入层到隐层的阈值
w2 = net.lw{2,1} %隐层到输出层的权值
b2 = net.b{2,1} %隐层到输出层的阈值
%预测输出 temp为两行四列临时变量如393 5.6 0.39 111.4
in = [393 5.6 0.39 111.4]
temp = [0 0;0 0;0 0;0 0]
temp(:,2) = in';
temp1 = mapminmax('apply',temp,inputps);
inputData = temp1(:,2);
%计算预测值
%隐含层的值
hidden = tansig(w1*inputData + b1)
%输出层的值
out = purelin(w2*hidden + b2);
%反归一化得到预测值
out = mapminmax('reverse',out,outputps)
【tempKmean.m】
function allData = tempKmean(tempData,variables)
%%
%KMeans算法的基本思想是初始随机给定K个簇中心,按照最邻近原则把待分类样本点分到各个簇。
%然后按平均法重新计算各个簇的质心,从而确定新的簇心。一直迭代,直到簇心的移动距离小于某个给定的值。
%% 获取聚类原始数据
X = tempData(:,(end-1):end);
%% 聚类分析,蓝色为BP神经网络训练数据
opts = statset('Display','final');
%调用Kmeans函数
%X N*P的数据矩阵
%Idx N*1的向量,存储的是每个点的聚类标号
%Ctrs K*P的矩阵,存储的是K个聚类质心位置
%SumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和
%D N*K的矩阵,存储的是每个点与所有质心的距离;
%Replicates ,聚类的重复次数
%15 为聚类重复次数
[Idx,Ctrs,SumD,D] = kmeans(X,2,'Replicates',15,'Options',opts);
%打印Ctrs SumD的值
Ctrs
SumD
%% 获取神经网络训练数据
test1Data = tempData(Idx==1,:);
test2Data = tempData(Idx==2,:);
[m1,n1] = size(test1Data)
[m2,n2] = size(test2Data)
I = find(test1Data(:,end-1) >= 600);
N = length(I)
if(N >= 12)
if(m1 < 100)
allData = test2Data;
%画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标;X(Idx==1,2)为第二类的样本的第二个坐标
plot(X(Idx==1,1),X(Idx==1,2),'b.','MarkerSize',12);
hold on;
plot(X(Idx==2,1),X(Idx==2,2),'r.','MarkerSize',12);
hold on;
xlabel(variables(end-1),'FontName','Times New Roman','FontSize',14)
ylabel(variables(end),'FontName','Times New Roman','FontSize',14)
%绘出聚类中心点,kx表示是圆形
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
legend('*非经济航速训练数据*','*经济航速训练数据*','质心(Centroids)','Location','NW');
title('聚类分析','FontName','Times New Roman','FontWeight','Bold','FontSize',10);
box off;
else
%训练数据太多了,也包含了非常大的油耗量
allData = test1Data;
%画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标;X(Idx==1,2)为第二类的样本的第二个坐标
plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',12);
hold on;
plot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',12);
hold on;
xlabel(variables(end-1),'FontName','Times New Roman','FontSize',14)
ylabel(variables(end),'FontName','Times New Roman','FontSize',14)
%绘出聚类中心点,kx表示是圆形
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
legend('$经济航速训练数据$','$非经济航速训练数据$','质心(Centroids)','Location','NW');
title('聚类分析','FontName','Times New Roman','FontWeight','Bold','FontSize',10);
box off;
end
else
allData = test1Data;
%画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标;X(Idx==1,2)为第二类的样本的第二个坐标
plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',12);
hold on;
plot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',12);
hold on;
xlabel(variables(end-1),'FontName','Times New Roman','FontSize',14)
ylabel(variables(end),'FontName','Times New Roman','FontSize',14)
%绘出聚类中心点,kx表示是圆形
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',12,'LineWidth',4)
legend('#经济航速训练数据#','#非经济航速训练数据#','质心(Centroids)','Location','NW');
title('聚类分析','FontName','Times New Roman','FontWeight','Bold','FontSize',10);
box off;
end
2. 数据预处理分析
2.1 相关性分析
2.2 聚类分析
为bp神经网络训练进行数据聚类,找出航速高,油耗低的数据,作为神经网络的训练数据。
2.3 随机获取训练数据和预测数据集
s = m0-(m0/20);
t = (m0)/20;
k = rand(1,s+t);
%重新得到向量k的有序(从小到大排列)向量m,并得到对应的下标向量n
[m,n]=sort(k);
input_train = input(n(1:s),:)'; output_train = output(n(1:s)); input_test = input(n(s+1:s+t),:)';
output_test = output(n(s+1:s+t));
2.4 对数据进行归一化
%% 训练数据归一化
[inputn,inputps] = mapminmax(input_train);
[outputn,outputps] = mapminmax(output_train);
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
注:归一化函数mapminmax默认归一化到[-1,1]之间,又tansig函数输入要求是[-1,1],所以采用默认的归一化设置。
3. BP神经网络
3.1 BP神经网络结构(本例)
6个输入,即输入层8个节点,一个输出,即输出层一个节点。包含一个隐含层,设置为了6个节点,其中隐含层默认的激励函数为tansig,输出层默认的传递函数为purlin。其中w为各层权值,b为各层阈值。
tansig数学表达式:a = tansig(n) = 2./(1+exp(-2*n))-1
purlin数学表达式:a = purelin(n) = n
3.2 神经网络训练后权值和阈值查看
net.iw{1,1}; %输入层到隐层的权值
net.b{1,1}; %输入层到隐层的阈值
net.lw{2,1}; %隐层到输出层的权值
net.b{2,1}; %隐层到输出层的阈值
3.3 神经网络训练完输出与输入关系式
输入变量为xi,(i=1,2,...,ni)向nh个隐含层单元传递输入信号,即每一个隐含单元的激励Oj满足如下方程:
式中,ρ为隐含层神经元的激励函数( a = tansig(n) = 2./(1+exp(-2*n))-1 )。同样输出层单元为:
式中,
=1,σ为输出层神经元的激励函数;j为隐含层的第j个节点,i为第i个输入变量。
在MATLAB中,我们上面说到了隐含层的默认激励函数为tansig,输出层的激励函数为purlin。代入上式即可。
具体的程序计算为:
%% 网络预测函数
% tansig数学表达式:a = tansig(n) = 2./(1+exp(-2*n))-1
% purlin数学表达式:a = purelin(n) = n
%获取权值和阈值
w1 = net.iw{1,1} %输入层到隐层的权值
b1 = net.b{1,1} %输入层到隐层的阈值
w2 = net.lw{2,1} %隐层到输出层的权值
b2 = net.b{2,1} %隐层到输出层的阈值
%预测输出 temp为两行四列临时变量如393 5.6 0.39 111.4
in = [393 5.6 0.39 111.4]
temp = [0 0;0 0;0 0;0 0]
temp(:,2) = in';
temp1 = mapminmax('apply',temp,inputps);
inputData = temp1(:,2);
%计算预测值
%隐含层的值
hidden = tansig(w1*inputData + b1)
%输出层的值
out = purelin(w2*hidden + b2);
%反归一化得到预测值
out = mapminmax('reverse',out,outputps)
out 为预测的经济航速输出。
matlab 坐标求函数表达式,Matlab---BP神经网络(获取数学表达式)相关推荐
- BP神经网络的数学表达式
<老饼讲解神经网络>http://bp.bbbdata.com/teach#13 目录 一. 模型结构 二. 模型结构设置 1.神经层数 2. 隐层神经元个数 3. 传递函数 三. 模型的 ...
- MATLAB房价,MATLAB实现波士顿房价预测使用BP神经网络
MATLAB实现波士顿房价预测使用BP神经网络 MATLAB实现波士顿房价预测,使用BP神经网络 代码如下(包括下载数据和训练网络): %%Download Housing Prices filena ...
- 【风电功率预测】基于matlab帝国殖民竞争算法优化BP神经网络风电功率预测【含Matlab源码 1314期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [风电功率预测]基于matlab帝国殖民竞争算法优化BP神经网络风电功率预测[含Matlab源码 1314期] ⛄二.帝国殖民竞争算法简 ...
- 【Matlab】基于多层前馈网络BP神经网络实现多分类预测(Excel可直接替换数据)
[Matlab]基于多层前馈网络BP神经网络实现多分类预测(Excel可直接替换数据) 1.算法简介 1.1 算法原理 1.2 算法流程 2.测试数据集 3.替换数据 4.混淆矩阵 5.对比结果 6. ...
- 【MATLAB第58期】基于MATLAB的PCA-Kmeans、PCA-LVQ与BP神经网络分类预测模型对比
[MATLAB第58期]基于MATLAB的PCA-Kmeans.PCA-LVQ与BP神经网络分类预测模型对比 一.数据介绍 基于UCI葡萄酒数据集进行葡萄酒分类及产地预测 共包含178组样本数据,来源 ...
- BP神经网络的数学本质
原创文章,转载请说明来自<老饼讲解-BP神经网络>:bp.bbbdata.com 目录 一. 隐神经元与tansig函数 二 .BP本质 三.BP神经网络的曲线拟合要素 (一) 误差函数 ...
- 【毕业设计/Matlab系列】基于PCA和BP神经网络的人脸识别系统(基于AR人脸库)
Date: 2022.5.30 文章目录 前言 1.算法原理 2.实现效果 3.测试matlab代码 前言 在大学毕业设计的时候,在毕业设计中实现了基于PCA和BP神经网络的人脸识别系统,采用matl ...
- matlab 不允许函数定义,MATLAB中此上下文中不允许出现函数定义,急求~
点击查看MATLAB中此上下文中不允许出现函数定义,急求~具体信息 答:从你讲的问题,虽然没讲太清楚,但我推测,你可能写了个脚本程序文件,其中定义了子函数,在运行时就弹出了这个提示.一般情况下,在函数 ...
- 【毕业设计/Matlab系列】基于PCA和BP神经网络的人脸识别系统(附matlab代码)
Date: 2022.4.26 文章目录 前言 1.总体介绍 2.详细分析 2.1.训练程序 2.2.测试程序 3.测试效果图 4.测试部分matlab代码 前言 在毕业设计中实现了基于PCA和BP神 ...
最新文章
- pycharm flask 设置端口号和开启debug
- springsecurity 登录失败_Spring Security 实战干货: 401和403状态
- Scala与Java差异(二)之条件控制与循环
- html鼠标变成小手_HTML 点击的链接,也叫超链接
- 【opencv学习】【Canny边缘检测】
- android 透明主题 crash,Android 8.0 的填坑(透明的activity崩溃)
- T计算机硬件系统是指,计算机硬件系统试题 有答案
- java怎么建立socket_Java Socket编程如何建立两者关系
- flashmx action画线方法(下)
- Atitit 持久化 之道 attilax 艾龙著 1. 第2章 Java对象持久化技术概述 	2 1.1. 2.1 直接通过JDBC API来持久化实体域对象	2 1.2. 2.2 ORM简介	2
- 阿里开源自研语音识别模型DFSMN
- 用devc++表白_表白墙第42期|别人深夜买醉,我只想买你的心
- IPETRONIK为您提供专业化的数据采集软件IPEmotion进行声学采集与分析
- 年终固定资产大盘点的具体步骤
- 何恺明一作论文 MAE 已有人复现!PyTorch 版!
- imToken 2.7.2,你的 Eth2「入场券」待领取
- 数值型数据的表示(3.0)
- IT项目经理在面试时如何巧妙的回答老板提出的问题
- Shell脚本详解---一篇搞定
- 搭建阿里云服务器,实现服务端与客户端socket数据通信(详细版)