Matlab BPNet系统辨识
2-20-10-1
function DualModelIden
%% 参数初始化
l = 0.009; % 学习率
alfa = 0.05; % 动量因子
cells1 = 20; % 隐层神经元个数
cells2 = 10;
w1 = rand(cells1,2); % 随机赋值第一层连接权系数 [20 ,2]
w2 = rand(cells2,cells1); % 随机赋值第二层连接权系数 [10, 20]
w3 = rand(1,cells2); % 随机赋值第三层连接权系数 [1, 10]
yw1 = rand(cells1,1); % 随机赋值第一层输出阈值 [20, 1]
yw2 = rand(cells2,1); % 随机赋值第二层输出阈值 [10, 1]
yw3 = rand; % 随机赋值第三层输出阈值 [1]
ts=0.001; % 样本
n = 1000; % 样本数
yn = rand(1,n); % 随机赋值输出(预测）
y = rand(1,n); % 随机赋值输出(真实）
counts = 1; % 计数值初始化
x = [0,0]'; % 输入
u_1 = 0; % 上一时刻的输入
y_1 = 0; % 上一时刻的输出
times = 300; % 训练轮数
e=zeros(1,times); % 均方差初始值设为0
%% 学习过程
for i=1:times % 学习轮数
ei=0;
for a=1:n % 样本数
time(a)=a*ts;
u(a)=0.50*sin(3*2*pi*a*ts);
y(a)=u_1^3+y_1/(1+y_1^2);
net1=w1*x-yw1; % 第一层网络的输入 [20, 1]
out1=logsig(net1); % 第一层网路的输出 [20, 1]
net2=w2*out1-yw2; % 第二层网络的输入 [10, 20]*[20 ,1]=[10, 1]
out2=logsig(net2); % 第二层网络的输出 [10, 1]
net3=w3*out2-yw3; % 第三层网络的输出 [1]
yn(a)=net3; % 第三层网络的输出 [1]
det3=y(a)-yn(a); % 计算偏差 [1]
det2=((det3*(w3))*out2)*(1-out2); % ([1, 10]'*[10 ,1])*[10, 1] = [10, 1]
det1=((det2'*(w2))*out1)*(1-out1); % [20, 1]
w1=w1+det1*x'*l; % [20, 2]
w2=w2+(det2*out1')*l; % [10, 20]
w3=w3+(det3*out2')*l; % [1, 10]
yw1=-det1*l+yw1;
yw2=-det2*l+yw2;
yw3=-det3*l+yw3;
ei=ei+det3^2/2;
e(i)=ei;
x(1)=u(a); % 更新输入
x(2)=y(a);
u_1=u(a);
y_1=y(a);
end % 结束一次样本遍历
if ei<0.008
break;
end
counts=counts+1;
end % 结束学习
%% 计算学习的曲线
x = [0,0]'; % 输入
yn_test = rand(1,n); % 随机赋值输出(预测）
y_test = rand(1,n); % 随机赋值输出(真实）
u_1 = 0; % 上一时刻的输入
y_1 = 0; % 上一时刻的输出
ts=0.1; % 样本
n = 1000; % 样本数
for a=1:n
u(a)=sin(2*pi*a*ts/25) + sin(2*pi*a*ts/10);
y_test(a)=u_1^3+y_1/(1+y_1^2);
net1=w1*x-yw1;
out1=logsig(net1);
net2=w2*out1-yw2;
out2=logsig(net2);
net3=w3*out2-yw3;
yn_test(a)=net3;
x(1)=u(a);
x(2)=y_test(a);
u_1=u(a);
y_1=y_test(a);
end
%% 绘图
figure(1);
subplot(2,1,1);
plot(time,y,'b-',time,yn,'r-');
legend('true', 'forecast')
grid on
title('BP学习方法逼近y=0.5*(1+cos(x))');
xlabel('x轴');
ylabel('y=0.5*(1+cos(x))');
if (counts<times)
count=1:counts;
sum=counts;
else
count=1:times;
sum=times;
end
subplot(2,1,2);
plot(count,e(1:sum));
grid on;
title('BP算法学习曲线');
xlabel('迭代次数');
ylabel('Mean-Square-Error');
figure(2);
plot(time,y_test,'b-',time,yn_test,'r-');
legend('true', 'forecast')
grid on
title('BP学习方法逼近y=sin(2*pi*k/25) + sin(2*pi*k/10)');
xlabel('x轴');
ylabel('y=sin(2*pi*k/25) + sin(2*pi*k/10)');
return
1-6-2-1 * 2
function DualModelIden
%% 参数初始化
l = 0.009; % 学习率
alfa = 0.05; % 动量因子
cells1 = 6; % 隐层神经元个数
cells2 = 2;
w1_1 = rand(cells1,1); % 随机赋值第一层连接权系数 [6 ,1]
w2_1 = rand(cells2,cells1); % 随机赋值第二层连接权系数 [2, 6]
w3_1 = rand(1,cells2); % 随机赋值第三层连接权系数 [1, 2]
yw1_1 = rand(cells1,1); % 随机赋值第一层输出阈值 [6, 1]
yw2_1 = rand(cells2,1); % 随机赋值第二层输出阈值 [2, 1]
yw3_1 = rand; % 随机赋值第三层输出阈值 [1]
w1_2 = rand(cells1,1); % 随机赋值第一层连接权系数 [6 ,1]
w2_2 = rand(cells2,cells1); % 随机赋值第二层连接权系数 [2, 6]
w3_2 = rand(1,cells2); % 随机赋值第三层连接权系数 [1, 2]
yw1_2 = rand(cells1,1); % 随机赋值第一层输出阈值 [6, 1]
yw2_2 = rand(cells2,1); % 随机赋值第二层输出阈值 [2, 1]
yw3_2 = rand; % 随机赋值第三层输出阈值 [1]
ts=0.001; % 样本
n = 1000; % 样本数
yn = rand(1,n); % 随机赋值输出(预测）
y = rand(1,n); % 随机赋值输出(真实）
counts = 1; % 计数值初始化
x = [0,0]'; % 输入
u_1 = 0; % 上一时刻的输入
y_1 = 0; % 上一时刻的输出
times = 300; % 训练轮数
e=zeros(1,times); % 均方差初始值设为0
%% 学习过程
for i=1:times % 学习轮数
ei=0;
for a=1:n % 样本数
time(a)=a*ts;
u(a)=0.50*sin(3*2*pi*a*ts);
y(a)=u_1^3+y_1/(1+y_1^2);
net1_1=w1_1*x(1)-yw1_1; % 第一层网络的输入 [6, 1]
out1_1=logsig(net1_1); % 第一层网路的输出 [6, 1]
net2_1=w2_1*out1_1-yw2_1; % 第二层网络的输入 [2, 6]*[6 ,1]=[2, 1]
out2_1=logsig(net2_1); % 第二层网络的输出 [2, 1]
net3_1=w3_1*out2_1-yw3_1; % 第三层网络的输出 [1]
y_1=net3_1; % 第三层网络的输出 [1]
net1_2=w1_2*x(2)-yw1_2; % 第一层网络的输入 [6, 1]
out1_2=logsig(net1_2); % 第一层网路的输出 [6, 1]
net2_2=w2_2*out1_2-yw2_2; % 第二层网络的输入 [2, 6]*[6 ,1]=[2, 1]
out2_2=logsig(net2_2); % 第二层网络的输出 [2, 1]
net3_2=w3_2*out2_2-yw3_2; % 第三层网络的输出 [1]
y_2=net3_2; % 第三层网络的输出 [1]
yn(a) = y_1 + y_2; % 计算两个模型的总输出
det3=y(a)-yn(a); % 计算偏差 [1]
det3_1=det3; % 计算偏差 [1]
det2_1=((det3_1*(w3_1))*out2_1)*(1-out2_1); % ([1, 2]*[2 ,1])*[2, 1] = [2, 1]
det1_1=((det2_1'*(w2_1))*out1_1)*(1-out1_1); % [6, 1]
w1_1=w1_1+det1_1*x(1)'*l; % [6, 1]
w2_1=w2_1+(det2_1*out1_1')*l; % [2, 6]
w3_1=w3_1+(det3_1*out2_1')*l; % [1, 2]
yw1_1=-det1_1*l+yw1_1;
yw2_1=-det2_1*l+yw2_1;
yw3_1=-det3_1*l+yw3_1;
det3_2=det3; % 计算偏差 [1]
det2_2=((det3_2*(w3_2))*out2_2)*(1-out2_2); % ([1, 2]*[2 ,1])*[2, 1] = [2, 1]
det1_2=((det2_2'*(w2_2))*out1_2)*(1-out1_2); % [6, 1]
w1_2=w1_2+det1_2*x(2)'*l; % [6, 1]
w2_2=w2_2+(det2_2*out1_2')*l; % [2, 6]
w3_2=w3_2+(det3_2*out2_2')*l; % [1, 2]
yw1_2=-det1_2*l+yw1_2;
yw2_2=-det2_2*l+yw2_2;
yw3_2=-det3_2*l+yw3_2;
ei=ei+det3^2/2;
e(i)=ei;
x(1)=u(a); % 更新输入
x(2)=y(a);
u_1=u(a);
y_1=y(a);
end % 结束一次样本遍历
if ei<0.008
break;
end
counts=counts+1;
end % 结束学习
%% 计算学习的曲线
x = [0,0]'; % 输入
yn_test = rand(1,n); % 随机赋值输出(预测）
y_test = rand(1,n); % 随机赋值输出(真实）
u_1 = 0; % 上一时刻的输入
y_1 = 0; % 上一时刻的输出
ts=0.1; % 样本
n = 1000; % 样本数
for a=1:n
u(a)=sin(2*pi*a*ts/25) + sin(2*pi*a*ts/10);
y_test(a)=u_1^3+y_1/(1+y_1^2);
net1_1=w1_1*x(1)-yw1_1; % 第一层网络的输入 [6, 1]
out1_1=logsig(net1_1); % 第一层网路的输出 [6, 1]
net2_1=w2_1*out1_1-yw2_1; % 第二层网络的输入 [2, 6]*[6 ,1]=[2, 1]
out2_1=logsig(net2_1); % 第二层网络的输出 [2, 1]
net3_1=w3_1*out2_1-yw3_1; % 第三层网络的输出 [1]
y_1=net3_1; % 第三层网络的输出 [1]
net1_2=w1_2*x(2)-yw1_2; % 第一层网络的输入 [6, 1]
out1_2=logsig(net1_2); % 第一层网路的输出 [6, 1]
net2_2=w2_2*out1_2-yw2_2; % 第二层网络的输入 [2, 6]*[6 ,1]=[2, 1]
out2_2=logsig(net2_2); % 第二层网络的输出 [2, 1]
net3_2=w3_2*out2_2-yw3_2; % 第三层网络的输出 [1]
y_2=net3_2; % 第三层网络的输出 [1]
yn_test(a) = y_1 + y_2; % 计算两个模型的总输出
x(1)=u(a);
x(2)=y_test(a);
u_1=u(a);
y_1=y_test(a);
end
%% 绘图
figure(1);
subplot(2,1,1);
plot(time,y,'b-',time,yn,'r-');
legend('true', 'forecast')
grid on
title('BP学习方法逼近y=0.5*(1+cos(x))');
xlabel('x轴');
ylabel('y=0.5*(1+cos(x))');
if (counts<times)
count=1:counts;
sum=counts;
else
count=1:times;
sum=times;
end
subplot(2,1,2);
plot(count,e(1:sum));
grid on;
title('BP算法学习曲线');
xlabel('迭代次数');
ylabel('Mean-Square-Error');
figure(2);
plot(time,y_test,'b-',time,yn_test,'r-');
legend('true', 'forecast')
grid on
title('BP学习方法逼近y=sin(2*pi*k/25) + sin(2*pi*k/10)');
xlabel('x轴');
ylabel('y=sin(2*pi*k/25) + sin(2*pi*k/10)');
return
并联网络与单个网络效果类似，没有跑出书上的效果，个人估计的原因是权值更新部分的问题，这里写的是两个网络的权值更新方法一样，书上的没看懂所以这么写的。
而且看着两个的仿真图，他的预测把真实值的峰值给摸掉了，是不是可以用来做平滑！！！