《Matlab神经网络30个案例分析》基于模糊神经网络的水质评价

合集下载

基于模糊神经网络的海水水质评价宗勇军

基于模糊神经网络的海水水质评价宗勇军摘要：为了能够客观地对海水水质进行综合评价，利用遥感图像获取的实时与大范围优势，基于卷积神经网络的沿海水质综合评价方法。

通过多层卷积与池化操作，降低因图像平移、缩放、倾斜等变换引起的误差，提高水质评价精度。

实验结果表明，该方法可较准确地评价沿海水质，具有一定的实用价值。

关键词：沿海水质；水质评价；神经网络随着沿海养殖、工业、运输和旅游等行业的迅速发展，近岸海域所承受的资源与环境压力也日益严重，自净速度往往赶不上生产、生活排污速度，从而导致沿海区域水质下降和生物资源减少等海洋生态环境问题。

目前，沿海水质评价数据采集手段已多样化，主要包括卫星遥感、船舶、航空、浮标和台站等方式，而基于遥感图像的水质评价因具有快速、低成本、即时同步性好等优势，已成为当前沿海水质监测与评价的主流方式，可实时快速获得大面积区域沿海水质信息。

卫星遥感的原理是利用卫星重现观测目标电磁辐射特性的空间分布状况，包含观测目标的光谱、时空等特征，并通过分析、推理与判断遥感影像中的目标特征信息来实现观测目标识别。

一、沿海水质评价技术总体框架沿海水质评价技术框架如图1 所示，在水质评价前，需对卷积神经网络进行样本训练。

训练集由沿海水质评价知识集、沿海卫星遥感图像数据和实测的沿海水质数据组成。

其中以卫星遥感图像数据和沿海水质评价知识集为输入样本，以实测的沿海水质数据为目标样本。

在沿海水质评价过程中，将卫星观测的遥感图像数据和水质评价知识数据作为输入数据集，利用训练好的卷积神经网络进行分类识别，最终实现沿海水质的评价与分类。

根据标准海水水质标准，海洋水质分为Ⅰ类、Ⅱ类、Ⅲ类和Ⅳ类[1]，对于劣于第Ⅳ类的水质，根据[1]将其分为劣Ⅳ类。

因此在训练及识别过程中，以上述级别的分类标准作为沿海水质评价标准指标，实现沿海水质的分类处理。

二、卷积神经网络的沿海水质评价技术1、沿海水质遥感图像校正。

由于受到遥感器自身特性、大气折射、地球自转和成像方式等因素的影响，卫星遥感采集的影像存在一定的数据失真与几何畸变现象，这必然影响后期影像处理质量和应用效果。

基于MATLAB实现模糊神经网络模型在企业水环境中的应用

２Ｏｌ２年５月
绿色料技
ＪｏｕｒｎａｌｏｆＧｒｅｅｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ
第５期
基于ＭＡＴＬＡＢ实现模糊神经网络模型在企业水环境中的应用
朱敏，李院，孔范龙，郗敏
（１．青岛大学化学化工与环境学院，山东青岛２６６０７１；２．山东中烟工业有限责任公司青岛卷烟厂，山东青岛２６６１ｏ１）
２模糊神经网络原理
模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术，它是模糊逻辑推理与神经网络有机结合的产
物＿６Ｉ７］。２．１模糊数学方法
经过仿真得出评价结果，研究表明：该方法能正确评价水质的样本，具有较好地客观性和预测性。
关键词：模糊神经网络：Ｘ７３
文献标识码：Ａ
文章编号：１６７４—９９４４（２０１２）０５—０１５０—０３
１引言
随着经济的发展和污染负荷的增加，人们认识到浓度控制已不能从根本上解决污染问题。而我国对水环境的研究，也主要集中在对水源地的分析和控制中。随着工业企业对水环境的重视，开始逐步尝试用处理过的中水进行循环使用，但是对多指标的水质评价缺乏定性的判断。而在对水环境的评价方法中，由于参与的评价因子众多，并且与水质等级之间存在的是非常复杂的非线性关系，所以至今都没有形成统一的方法。常规的地下水水质评价方法有综合指数法、模糊综合评价法、灰色聚类法等口］，这些方法都还存在着一些不足。近年来，随着神经网络的发展，国内外很多从事地下水研究的学者将神经网络引入水质评价中，取得了较好的评价效果，表明研究神经网络处理水质评价具有非常现实的意义。

基于T-S模糊神经网络评价汉江干流汉中段水质

基于T-S模糊神经网络评价汉江干流汉中段水质高凯;贾伟【期刊名称】《微型电脑应用》【年(卷),期】2016(32)2【摘要】为准确客观地评价汉江干流汉中段水环境质量状况,利用T-S模糊神经网络模型,对汉江干流汉中段监测点,连续5年的水质监测状况数据进行了分析评价.结果表明,在选取的6个水质监测指标数据下,汉江干流汉中段水质相对较好,但流经城镇段的水质存在恶化的趋势,需要采取措施进行有效的预防保护.提出的T-S模糊神经网络应用于水环境质量评价方法简便可靠,预测精度高,可以在水质评价中进行推广.%In order to evaluate the water environmental quality status accurately and objectively in Hanzhong stretch of Hanjiang mainstream, this paper uses T-S fuzzy neural network model to do analysis and evaluation to the water quality monitoring data got in the monitoring points of Hanzhong stretch of Hanjiang mainstream for five years in a row. The results shows that according to the six selected indicators of water quality monitoring data, the water quality of Hanzhong stretch of Hanjiang mainstream is relatively good, but the water quality of stretch through the town tends to be deteriorated, to which measures should be taken to protect. In this paper, TS fuzzy neural network used in water environmental quality assessment method is simple, reliable, high prediction accuracy, which can promote water quality evaluation.【总页数】3页(P51-53)【作者】高凯;贾伟【作者单位】陕西理工学院,数学计算机科学学院,汉中,723001;陕西理工学院,数学计算机科学学院,汉中,723001【正文语种】中文【中图分类】TP399【相关文献】1.基于T-S模糊神经网络模型的钦州市主要河流水质评价 [J], 莫崇勋;阮俞理;莫桂燕;朱新荣;孙桂凯2.基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析 [J], 拓守恒;何红;李鹏飞3.基于T-S模糊神经网络的南京市水质评价方法研究 [J], 李磊;冯鑫4.基于T-S模糊神经网络的水质评价方法及其在四水流域的应用 [J], 钟艳红; 苗东昊; 赵明汉; 邵东国; 朱诗好5.基于T-S模糊神经网络的水质评价方法及其在四水流域的应用 [J], 钟艳红; 苗东昊; 赵明汉; 邵东国; 朱诗好因版权原因，仅展示原文概要，查看原文内容请购买。

MATLAB神经网络工具箱在河流水质预测中的应用

MATLAB神经⽹络⼯具箱在河流⽔质预测中的应⽤五⾢⼤学学报（⾃然科学版） JOURNAL OF WUYI UNIVERSITY ( Natural Science Edition) 第23卷第1期2009年 2⽉ V ol.23 No.1Feb. 2009⽂章编号：1006-7302（2009）01-0069-05MATLAB 神经⽹络⼯具箱在河流⽔质预测中的应⽤陈龙1，张新政1，袁从贵1，宋华兵1,2（1. ⼴东⼯业⼤学⾃动化学院，⼴东⼴州 510009；2. 肇庆学院数学系，⼴东肇庆 526061）摘要：根据计算河流⽔质的数学模型，使⽤MATLAB 神经⽹络⼯具箱建⽴了河流⽔质预测系统的神经⽹络，并以长期监测的珠江流域东江⽔质状况为例，对建⽴的⽹络系统进⾏了仿真，结果表明了⽅法的有效性.关键词：神经⽹络；⽔质预测；MATLAB中图分类号：N945.12；TP275 ⽂献标识码：AApplication of MATLAB Neural Network’ Tool-box in River Water Quality PredictionCHEN Long 1, ZHANG Xin-zheng 1, YUAN Cong-gui 1, SONG Hua-bing 1,2(1. Guangdong University of Technology, Guangzhou 510090, China;2. Mathematics Department of Zhaoqing University, Zhaoqing 526061, China)Abstract: A neural network for predicting river water quality is built based on amathematical model for determining river water quality by using the GUI in the MATLABneural networks ’ tool box. Simulation of the network using the data derived fromlong-term monitoring of the water quality of the East River in the Peal River Systemshows the method is effective.Key words: neural networks; water quality prediction; MATLAB城市河流是⼀个开放的系统，其⽔质易受到⾃然和⼈为因素的影响. 从2007年8⽉份全国⽔资源质量概况总体来看，我国⽔体污染以耗氧有机物为主，且污染⼗分严重. 因此对河流⽔质的预测、控制变得极为重要.1 ⽔质预测和神经⽹络1.1 ⽔质预测⽔质预测是指在⼀定范围内，对⼀定时期的⽔质状况进⾏分析，对其未来发展状况进⾏预测，收稿⽇期：2008-09-09基⾦项⽬：国家⾃然科学基⾦资助项⽬（60574052），⼴东省科技计划资助项⽬（2005B33301008），⼴东省⾃然科学基⾦资助项⽬（05001820）作者简介：陈龙（1983— ），男，江西赣州⼈，硕⼠研究⽣，研究⽅向：⼤系统的优化、控制及管理，E-mail ：chenlong_20000@/doc/f0061751ad02de80d4d8404b.html ；张新政，教授，博⼠⽣导师，通信作者，研究⽅向：复杂⼤系统的建模与控制、变结构控制，E-mail:lucy@/doc/f0061751ad02de80d4d8404b.html .五⾢⼤学学报（⾃然科学版） 2009年 70 确定⽔质的状况及其变化的趋势、速度以及达到某⼀变化限度的时间等. 对⽔质进⾏预测可应⽤于防范各类突发事件，包括低概率和⾼风险的化学物质、微⽣物及放射性物质污染事件，污染物的有意排放及⼈为投加等，为政府部门提供决策⽀持，最⼤限度地降低突发事件的影响. ⽔质预测的常见⽅法有线性回归⽅法[1]、时间序列⽅法[2]、灰⾊系统⽅法[3]、神经⽹络⽅法等.1.2 神经⽹络⼈⼯神经⽹络经过多年的发展，在解决各种过程监控的技术问题中取得了很⼤的成功，例如语⾳识别、实时语⾔翻译、矿藏勘探、脑电图和⼼电图的分析，国防⽅⾯的武器操纵、⽬标的跟踪和识别，⼯业⽅⾯的过程控制、智能故障诊断等[4]. 神经⽹络就⽬前的应⽤来说，主要偏重于特征的提取、过程的控制和状态的预测.针对复杂、模糊、⾼度⾮线性河流⽔质的预测、预报问题，如果⽤常规⽅法来处理，要么是⽆从解决，要么是⾮常复杂且耗资巨⼤[5]. ⽽神经⽹络在对信息的加⼯处理过程中均表现出很强的容错能⼒，其在计算处理信息的过程中所表现出的容错性来⾃于其⽹络⾃⾝的结构特点. 神经⽹络的主要优势就在于它的学习性和⾃动调整性，所以⾮常适合处理⾮线性问题. 因⽽将其应⽤于河流⽔质监测预测系统中，前景⾮常⼴阔. 宋华兵等[6]将神经⽹络内嵌到⽔质模型中，构成⼀个具有学习功能的不确定性⽔质模型. 陈建秋等[7]利⽤时滞⼤系统理论分析流域⽔污染的控制，将⼩波神经⽹络应⽤于⽔质预测中.2 计算河流⽔质的数学模型河流⽔质预测依赖于计算河流⽔质的数学模型，QUAL -II 是⼀个具有多种⽤途的河流⽔质模型，它能按照使⽤者的要求，以各种组合⽅式描述各⽔质参数[8]. 模型的基本⽅程：AS x QC x x C EA tAC +=??)()()(，（1）式中C 为河段中某种污染物的浓度，t 为时间，x 为河⽔的流动距离，E 为河流纵向离散系数，A 为断⾯，Q 为流量.QUAL -II 模型假设流量处于稳定状态，即0=??t Q ，0=??t A ，于是式（1）可变成以下形式： ext int )()(S S xA QC x A x C EA t C ++=??，（2）式中int S 为⽔质变量C 的内部源和漏，ext S 为外部源和漏. 当源漏项∑i S 仅为反应衰减项C K 1时，则式（2）可变为：1()()=?+???C EA C QC x K C t A x A x. （3）对于均匀河段，断⾯A 为常量，u 为河段⽔流的平均速度，将uA Q =，=x ut 代⼊式（3）化简可得⽔质模型⽅程：21222??=+??C E C K C t u t . （4）第23卷第1期 71陈龙等：MATLAB 神经⽹络⼯具箱在河流⽔质预测中的应⽤3 MATLAB神经⽹络⼯具箱3.1 MATLAB 神经⽹络⼯具箱的GUI（图形⽤户界⾯）⼯具现有的⽤MATLAB 预测河流⽔质的模型，GUI 的所有功能绝⼤多数都是通过代码编程来实现的，它程序简洁，但不直观；⽽使⽤MATLAB 神经⽹络⼯具箱的GUI ⼯具建⽴⽹络并对⽹络进⾏初始化、训练、仿真和应⽤等各种操作⾮常⽅便，界⾯友好直观，只要运⽤少量神经⽹络的命令函数即可. 神经⽹络⼯具箱的GUI ⼯具主要包括：1）神经⽹络GUI ⼯具主窗⼝；2）神经⽹络的建⽴窗⼝；3）⽹络训练对话框；4）⾃适应参数设置对话框；5）权值显⽰窗⼝. 通过神经⽹络⼯具箱的GUI ⼯具按钮就能很⽅便地打开所建⽴的神经⽹络的结构图进⾏察看，也可以看到⼀个训练过程的偏差曲线变化图.3.2 神经⽹络⼯具箱解决问题的⼀般步骤1）对待解决的问题进⾏分析，根据各种⽹络的特点选⽤合适的⽹络模型；2）建⽴⽹络；3）对⽹络初始化；4）对⽹络进⾏训练；5）对⽹络进⾏仿真检验；6）应⽤⽹络解决问题.4 系统的预测仿真经过长期对珠江流域东江河流⽔质状况的研究，我们获得了⼤量的河流⽔质数据，这⾥采⽤⽔质参数耗氧量（mg/L ）30 d 的数据进⾏研究.4.1 使⽤神经⽹络GUI ⼯具建⽴神经⽹络的输⼊样本和⽬标样本1）在MATLAB 命令窗⼝输⼊nntool ，打开图形⽤户界⾯⼯具主窗⼝，如图1所⽰.2）单击New Data 按钮，打开数据⽣成对话框. 建⽴输⼊样本P ，数据的输⼊和设置如图2所⽰，单击Create 按钮关闭对话框.3）依照上⼀步，输⼊⽬标样本T ，数据类型选Targets. 回到GUI ⼯具的主窗⼝，单击Export 按钮弹出导出对话框，选中变量P 和T ，然后单击Export 按钮，把变量P 和T 导出到⼯作区. 这为仿真⽂件从⼯作空间调⽤导⼊数据做好了准备.图1 GUI ⼯具主窗⼝图2 数据⽣成对话框五⾢⼤学学报（⾃然科学版） 2009年72 4.2 建⽴仿真模型⽂件进⾏预测运⾏MATLAB 软件中的Simulink 仿真环境，在神经⽹络模块库中调⽤神经⽹络预测控制模块NN Predictive Controller ，⽤模块封装技术建⽴河流⽔质数学⽅程模块，连接信号源模块和⽰波器模块后就建⽴了河流⽔质预测仿真⽂件predwq.mdl ，如图3，其中From Workspace 模块中是⽬标样本T 的数据，可以直接从⼯作区导⼊.双击神经⽹络预测控制模块NN Predictive Controller ，弹出如图4的窗⼝，此窗⼝⽤于设计模型预测控制器，输⼊控制器变量空间2N 和u N 、权值参数ρ和控制最优化参数α的值. 然后点击Plant Identification 按钮，打开系统辨识窗⼝，从⼯作区导⼊输⼊样本P ，设置好其它参数后训练⽹络，单击OK 按钮，将训练好的神经⽹络模型导⼊到神经⽹络预测控制模块中，在NN Predictive Controller 窗⼝中单击OK 按钮，将控制器参数导⼊到NN Predictive Controller 模块中.系统模块System Model 是⽤模块封装技术封装的河流⽔质微分⽅程式（4）的仿真模块，如图5所⽰.在predwq Simulink 主窗⼝，仿真时间输⼊100，再单击Start simulation 命令按钮开始仿真. 仿真结束后，双击⽰波器模块就可以查看仿真结果，如图6所⽰. 对仿真结果和⽬标样本的值进⾏⽐较，根据它们的差值绘出预测误差变化曲线，如图7所⽰.图3 predwq.mdl 仿真⽂件图4 神经⽹络预测控制模块窗⼝图5 河流⽔质微分⽅程仿真模块图6 ⽬标和预测结果图陈龙等：MATLAB神经⽹络⼯具箱在河流⽔质预测中的应⽤第23卷第1期73 Array 5 结果与讨论⽐较图6、图7知，本⽂建⽴的⽹络系统对⽔质参数耗氧量的预测图像和⽬标样本基本⼀致. 把仿真预测结果数据和实际⽬标样本数据进⾏⽐较，正、负最⼤误差分别为0.11和－0.06，最⼩误差为0，虽然还有偏差，但误差是在满意的范围之内. 因此，把河流⽔质的数学模型⽤MATLAB神经⽹络进⾏仿真预测，具有较⾼的精度，为河流⽔质预测提供了⽅便的⽅法.图7 预测误差的曲线变化参考⽂献：[1] 宛筝，李晔，汪晓露，等．多元线性回归与灰⾊联合模型在湖泊⽔质预测中的应⽤[J]．江苏环境科技，2006，19(2): 59-61.[2] 吴涛，颜辉武，唐桂刚．三峡库区⽔质数据时间序列分析预测研究[J]．武汉⼤学学报：信息科学版，2006，31(6): 500-507．[3] 焦瑞峰，吴昊，师洋．基于灰⾊关联分析的蒙特卡罗法建⽴⽔库出库⽔质预测模型[J]．环境⼯程，2006，24(4): 63-65.[4] 张铮，杨⽂平. MATLAB程序设计与实例应⽤[M]. 北京：中国铁道出版社，2003.[5] 范⽂飙，陈宇. ⽔源⽔质预警系统研究[J]. ⿊龙江科技信息，2007, 10: 43.[6] 宋华兵，张新政. 内嵌神经⽹络的不确定⽔质模型研究[J]，⽔资源与⽔⼯程学报，2008，19(1): 12-14.[7] 陈建秋，张新政. 基于⼩波神经⽹络的⽔质预测应⽤研究[C]//中国控制与决策学术年会论⽂集，天津：[出版者不详]，2006: 723-725.[8] 雒⽂⽣，宋星原. ⽔环境分析与预测[M]．武汉：武汉⼤学出版社，2004: 201-202.[责任编辑：孙建平]。

MATLAB智能算法30个案例分析

MATLAB 智能算法30个案例分析第1 章1、案例背景遗传算法（Genetic Algorithm，GA）是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。

遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。

在遗传算法中，染色体对应的是数据或数组，通常是由一维的串结构数据来表示，串上各个位置对应基因的取值。

基因组成的串就是染色体，或者叫基因型个体( Individuals) 。

一定数量的个体组成了群体（Population)。

群体中个体的数目称为群体大小（Population Size），也叫群体规模。

而各个个体对环境的适应程度叫做适应度( Fitness) 。

2、案例目录：1.1 理论基础1.1.1 遗传算法概述1. 编码2. 初始群体的生成3. 适应度评估4. 选择5. 交叉6. 变异1.1.2 设菲尔德遗传算法工具箱1. 工具箱简介2. 工具箱添加1.2 案例背景1.2.1 问题描述1. 简单一元函数优化2. 多元函数优化1.2.2 解决思路及步骤1.3 MATLAB程序实现1.3.1 工具箱结构1.3.2 遗传算法中常用函数1. 创建种群函数—crtbp2. 适应度计算函数—ranking3. 选择函数—select4. 交叉算子函数—recombin5. 变异算子函数—mut6. 选择函数—reins7. 实用函数—bs2rv8. 实用函数—rep1.3.3 遗传算法工具箱应用举例1. 简单一元函数优化2. 多元函数优化1.4 延伸阅读1.5 参考文献3、主程序：1. 简单一元函数优化：clcclear allclose all%% 画出函数图figure(1);hold on;lb=1;ub=2; %函数自变量范围【1,2】ezplot('sin(10*pi*X)/X',[lb,ub]); %画出函数曲线xlabel('自变量/X')ylabel('函数值/Y')%% 定义遗传算法参数NIND=40; %个体数目MAXGEN=20; %最大遗传代数PRECI=20; %变量的二进制位数GGAP=0.95; %代沟px=0.7; %交叉概率pm=0.01; %变异概率trace=zeros(2,MAXGEN); %寻优结果的初始值FieldD=[PRECI;lb;ub;1;0;1;1]; %区域描述器Chrom=crtbp(NIND,PRECI); %初始种群%% 优化gen=0; %代计数器X=bs2rv(Chrom,FieldD); %计算初始种群的十进制转换ObjV=sin(10*pi*X)./X; %计算目标函数值while gen<MAXGENFitnV=ranking(ObjV); %分配适应度值SelCh=select('sus',Chrom,FitnV,GGAP); %选择SelCh=recombin('xovsp',SelCh,px); %重组SelCh=mut(SelCh,pm); %变异X=bs2rv(SelCh,FieldD); %子代个体的十进制转换ObjVSel=sin(10*pi*X)./X; %计算子代的目标函数值[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代，得到新种群X=bs2rv(Chrom,FieldD);gen=gen+1; %代计数器增加%获取每代的最优解及其序号，Y为最优解,I为个体的序号[Y,I]=min(ObjV);trace(1,gen)=X(I); %记下每代的最优值trace(2,gen)=Y; %记下每代的最优值endplot(trace(1,:),trace(2,:),'bo'); %画出每代的最优点grid on;plot(X,ObjV,'b*'); %画出最后一代的种群hold off%% 画进化图figure(2);plot(1:MAXGEN,trace(2,:));grid onxlabel('遗传代数')ylabel('解的变化')title('进化过程')bestY=trace(2,end);bestX=trace(1,end);fprintf(['最优解:\nX=',num2str(bestX),'\nY=',num2str(bestY),'\n'])2. 多元函数优化clcclear allclose all%% 画出函数图figure(1);lbx=-2;ubx=2; %函数自变量x范围【-2,2】lby=-2;uby=2; %函数自变量y范围【-2,2】ezmesh('y*sin(2*pi*x)+x*cos(2*pi*y)',[lbx,ubx,lby,uby],50); %画出函数曲线hold on;%% 定义遗传算法参数NIND=40; %个体数目MAXGEN=50; %最大遗传代数PRECI=20; %变量的二进制位数GGAP=0.95; %代沟px=0.7; %交叉概率pm=0.01; %变异概率trace=zeros(3,MAXGEN); %寻优结果的初始值FieldD=[PRECI PRECI;lbx lby;ubx uby;1 1;0 0;1 1;1 1]; %区域描述器Chrom=crtbp(NIND,PRECI*2); %初始种群%% 优化gen=0; %代计数器XY=bs2rv(Chrom,FieldD); %计算初始种群的十进制转换X=XY(:,1);Y=XY(:,2);ObjV=Y.*sin(2*pi*X)+X.*cos(2*pi*Y); %计算目标函数值while gen<MAXGENFitnV=ranking(-ObjV); %分配适应度值SelCh=select('sus',Chrom,FitnV,GGAP); %选择SelCh=recombin('xovsp',SelCh,px); %重组SelCh=mut(SelCh,pm); %变异XY=bs2rv(SelCh,FieldD); %子代个体的十进制转换X=XY(:,1);Y=XY(:,2);ObjVSel=Y.*sin(2*pi*X)+X.*cos(2*pi*Y); %计算子代的目标函数值[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代，得到新种群XY=bs2rv(Chrom,FieldD);gen=gen+1; %代计数器增加%获取每代的最优解及其序号，Y为最优解,I为个体的序号[Y,I]=max(ObjV);trace(1:2,gen)=XY(I,:); %记下每代的最优值trace(3,gen)=Y; %记下每代的最优值endplot3(trace(1,:),trace(2,:),trace(3,:),'bo'); %画出每代的最优点grid on;plot3(XY(:,1),XY(:,2),ObjV,'bo'); %画出最后一代的种群hold off%% 画进化图figure(2);plot(1:MAXGEN,trace(3,:));grid onxlabel('遗传代数')ylabel('解的变化')title('进化过程')bestZ=trace(3,end);bestX=trace(1,end);bestY=trace(2,end);fprintf(['最优解:\nX=',num2str(bestX),'\nY=',num2str(bestY),'\nZ=',num2str(bestZ), '\n']) 第2 章基于遗传算法和非线性规划的函数寻优算法1.1案例背景1.1.1 非线性规划方法非线性规划是20世纪50年代才开始形成的一门新兴学科。

基于模糊神经网络的汉江水质评价

３汉江水质评价．
水污染控制规划就是在基本查清污染物排放、质现状和水文水水力学特性的条件下，通过试验获得相关参数，并通过水质数学模型预测规划水平年的水体水质，在保证水质达到规划水质级别的前提下，合理安排各污染源污染物的排放，并对污染控制方案进行研究，出技术经提济可行的最佳实用方案，为相关部门的决策提供科学依据。水质评价是根据水质评价标准和水质检测样本各项指标值，过通定的数学模型来确定样本的等级。水质评价常用的方法包括单因子评价法、污染指数法、主分量分析评价法、指数评价法、综合模糊数学评价法、灰色评价法、物元分析评价法、人工神经网络” 和支持向量机。从模糊水文学的观点来看，质的清洁与污染这一对立的概念之水间，在划分过程中并不存在绝对分明的界限，具有中介过渡性。这是客观存在着的模糊概念。用模糊理论与方法，比传统评价方法更符合现象的实际，能使水质评价的理论与方法建立在比较严谨的数学逻辑基础上；而人工神经网络是一种新颖的数学建模方法，具有非线性映射、并行性、自适应、自学习和容错性等能力，能够解决属于模式设别的水质评价问题。所以，本文用神经网络来构造模糊系统，利用神经网络的学习方法，根据输人输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，实现汉江水质的评价。２模糊神经网络评价模型．２１．模糊数学与神经网络模糊数学由美国控制论专家ＬＡ＿Ｌ＿手德教授所创立，是运用数学方法研究和处理模糊性现象的一门数学新分支。它以“ 模糊集合 ” 为基论础。模糊数学提供了一种处理不肯定性和不精确性问题的新方法，是描述人脑思维处理模糊信息的有力工具。它既可用于 “ ” 硬科学方面，又可用于“ 科学方面。软” 神经网络（ｅｒｌｅｗｒ，写Ｎ，一种模仿生物神经网络的结ｎｕａｔｏｋ缩ｎＮ）是构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，一种自应系统。现代神经网络是一种非线性统计性数据是适建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。本文采用由前两次学习步长来决定本次学习步长的方法加速网络的收敛速度并增强稳定性，传递函数作适当调整，对并将３层结构改为５。按照学习规则进行学习，到达到预先规定的精度或者达到最大层直训练次数才停止学习。２２．模糊神经网络（）１网络结构般模糊神经网络Ｉ１１６５１－有输入层、隐含层、化层、模糊模糊推理层和解模糊层。如果不采用等效处理直接设计为每层都是全链接，则网络复杂、庞大，导致模型训练时不易收敛。本文中使用结构如图１示。所

基于Matlab神经网络的水下目标识别

设标准图像用 f (x, y) 表示。这里 x 和 y 指空间的坐标，而在任意点 (x, y) 上的 f 值正比于图像在该点的亮度（灰度级）。目标不同，相应图像的像素灰度分布则不同，这就是目标识别分类所需的特征。
第5期
情报指挥控制系统与仿真技术
53
该文所讨论的特征提取方法正是基于此原理。图像
其中：
φ = φ0e−ad
（2）
φ0 ——信号初始强度；
a ——衰减系数（红或绿或蓝）；
d ——传播距离。
为了计算图像中三种组成颜色光红、绿、蓝的
衰减系数 aR 、 aG 、 aB ，在相同条件的情况下，可
以拍摄 100 张像素大小 10×10 的图像（尺寸相同），
对于每幅图像，分别测出 φ 和 φ0 ，根据式（2）得到相应的衰减系数 a ，最后计算平均值。
收稿日期：2005-01-18
修回日期：2005-03-22
作者简介：胡红波（1979-），男，湖北天门人，硕士研
究生，研究方向为水雷与反水雷作战使用。
邱继进（1979-），男，硕士研究生。
马爱民（1957-），男，教授，博士生导师。
对图像矩阵奇异值分解得到特征向量，研究对水下目标实时、自动分类识别的方法。
S 对角线上各元素即为矩阵 f 的奇异值。
4 目标识别分类结果
一般情况下，需要用多项奇异值来精确表示灰度分布，但在很多实际应用中前几项就可以达到很高的精确性，因为：1）图像可以通过前几项精确表示出来，而噪声延伸到后面的项中，截取前几维奇异值能保留绝大部分信息而舍弃部分噪声，提高系统抗干扰能力。2）为了分类的目的，选取前几项奇异值作为图像的模式特征，可以减少识别分类的运算量，实时性好。

基于MATLAB实现模糊综合指数法在水质评价中的应用研究

水质评价是环境质量评价的主要内容之一，准确的水质评价是水资源开发利用和治理的科学依据。水污染程度和水质分级都是模糊概念，需要以定量的方式直观地表征原水水质总体状况。模糊综合指数评价是指对多种模糊因素所影响的事物或现象进行总的评价，是一种定量研究多种属性事物的工具。本文通过模糊综合指数法对某城市河道水质进行综合评价, 确定水质类别和主要污染物，为有关部门在管理和治理上做出决策提供科学依据。
表 1 水质标准（GB3838- 2002）
单位：mg/ L
水质标准
溶解氧≥ 化学需氧量（COD）≤ 生化需氧量（BOD5）≤
氨氮（NH3- N)≤ 总磷（以 P 计）≤ 总氮（以 N 计）≤
Ⅰ类 7.5 15 3 0.2 0.01 0.2
水质类别
Ⅱ类
Ⅲ类
6
5
15
20
3
4
0.5
1.0
0.025
0.05
3 某城市河道水质评价
取某年某城市河道原水抽样调查具有代表性的某三次的水质数据（见表 2）。
表 2 某城市河道原水某三次的水质数据单位：mg/ L
样本序号溶解氧
COD
样本 1
1.3
41.1
样本 2
1.4
40.2
样本 3
1.5
41.3
BOD5 21.8 17.1 10.5
氨氮 8.1 8.4 5.8
FCI1＝5.0800 水质为Ⅴ级。同理算得 FCI2＝4.9950 水质为Ⅴ级；FCI3＝4.9700 水质为Ⅴ级。
从表 3 中，找出各样本权重系数中的最大值，即是水污染最主要因素。从表 3 可看出，造成某城市河道污染的主要污染物是总磷、总氨、氨氮。

(完整word版)模糊神经网络的预测算法在嘉陵江水质评测中的应用

模糊神经网络的预测算法——水质评价一、案例背景1、模糊数学简介模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。

模糊数学中最基本的概念是隶属度和模糊隶属度函数.其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf（u）表示，他是一个在［0，1]之间的数。

μf(u）越接近于0，表示μ属于模糊子集f的程度越小；越接近于1,表示μ属于f的程度越大.模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。

2、T—S模糊模型T—S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。

T-S模糊系统用如下的“if—then”规则形式来定义，在规则为R i的情况下，模糊推理如下：R i：If x i isA1i，x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k其中，A i j为模糊系统的模糊集;P i j(j=1，2，…，k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的,输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合.假设对于输入量x=［x1，x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度.μA i j=exp（—（x j-c i j）/b i j）j=1,2,…，k；i=1,2，…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数;n为模糊子集数。

将各隶属度进行模糊计算，采用模糊算子为连乘算子。

ωi=μA1j（x1）＊μA2j（x2)＊…*μA k j i=1,2，…,n根据模糊计算结果计算模糊型的输出值y i。

Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk）/ ∑n i=1ωi3、T-S模糊神经网络模型T—S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。

MATLAB-智能算法30个案例分析-终极版(带目录)

MATLAB 智能算法30个案例分析（终极版）1 基于遗传算法的TSP算法（王辉）2 基于遗传算法和非线性规划的函数寻优算法（史峰）3 基于遗传算法的BP神经网络优化算法（王辉）4 设菲尔德大学的MATLAB遗传算法工具箱（王辉）5 基于遗传算法的LQR控制优化算法（胡斐）6 遗传算法工具箱详解及应用（胡斐）7 多种群遗传算法的函数优化算法（王辉）8 基于量子遗传算法的函数寻优算法（王辉）9 多目标Pareto最优解搜索算法（胡斐）10 基于多目标Pareto的二维背包搜索算法（史峰）11 基于免疫算法的柔性车间调度算法（史峰）12 基于免疫算法的运输中心规划算法（史峰）13 基于粒子群算法的函数寻优算法（史峰）14 基于粒子群算法的PID控制优化算法（史峰）15 基于混合粒子群算法的TSP寻优算法（史峰）16 基于动态粒子群算法的动态环境寻优算法（史峰）17 粒子群算法工具箱（史峰）18 基于鱼群算法的函数寻优算法（王辉）19 基于模拟退火算法的TSP算法（王辉）20 基于遗传模拟退火算法的聚类算法（王辉）21 基于模拟退火算法的HEV能量管理策略参数优化（胡斐）22 蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊）23 基于蚁群算法的二维路径规划算法（史峰）24 基于蚁群算法的三维路径规划算法（史峰）25 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊）26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊）27 无导师学习神经网络的分类——矿井突水水源判别（郁磊）28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊）30 极限学习机的回归拟合及分类——对比实验研究（郁磊）智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更难用它来解决问题。

matlab神经网络43个案例分析

matlab神经网络43个案例分析MATLAB神经网络是一种广泛使用的机器学习工具，可以应用于多种问题的解决。

下面为大家介绍43个用MATLAB神经网络解决的案例分析。

1. 基于神经网络的股票市场预测通过分析历史数据，建立神经网络模型，预测未来股票市场走势。

2. 神经网络分类器建模分析通过建立分类模型，对不同类型数据进行分类处理。

3. 基于神经网络的信用评估模型通过收集客户的基本信息和信用历史，建立神经网络模型，对客户的信用进行评估。

4. 神经网络医学图像分析通过医学图像数据，建立神经网络模型，进行疾病诊断与分析。

5. 基于神经网络的机器人动作控制通过神经网络，训练机器人进行动作控制，提高机器人的智能化水平。

6. 神经网络预测库存需求通过分析历史销售数据，建立神经网络模型，预测未来库存需求，提高企业的运作效率。

7. 基于神经网络的人脸识别通过收集人脸数据，建立神经网络模型，实现人脸识别功能。

8. 神经网络垃圾邮件过滤通过建立神经网络模型，对邮件进行分类，筛选出垃圾邮件。

9. 基于神经网络的语音识别通过收集语音数据，建立神经网络模型，实现语音识别功能。

10. 神经网络飞机失速预测通过分析飞机数据和空气动力学知识，建立神经网络模型，预测飞机发生失速的概率。

11. 基于神经网络的目标识别通过收集目标数据，建立神经网络模型，实现目标识别功能。

12. 神经网络电力负荷预测通过历史电力数据，建立神经网络模型，预测未来电力负荷。

13. 基于神经网络的网络入侵检测通过建立神经网络模型，检测网络攻击行为。

14. 神经网络手写数字识别通过收集手写数字数据，建立神经网络模型，实现手写数字识别功能。

15. 基于神经网络的情感分析通过对情感文本数据进行分析，建立神经网络模型，实现情感分析功能。

16. 神经网络自然语言处理通过对自然语言文本数据进行处理和分析，建立神经网络模型，实现自然语言处理功能。

17. 基于神经网络的物体识别通过收集物体数据，建立神经网络模型，实现物体识别功能。

matlab数学建模30个案例分析

案例4：基于微分方程的最优捕鱼策略
为了保护人类赖以生存的自然环境，可再生资源（如渔业、林业资源）的开发必须适度，一种合理、简化的策略是，在实现可持续收获的前提下，追求最大产量或最佳效益。考虑对某种鱼的最优捕鱼策略：假设这种鱼分4个年龄组：称1龄鱼，…,4龄组,各年龄组每条鱼的平均重量分别为5.07，11.55，17.86，22.99（克）各年龄组鱼的自然死亡率均为0.8（1/年）这种鱼为季节性集中产卵繁殖,平均每条4龄鱼的产卵量为1.109× 个，3龄鱼的产卵量为这个数的一半，2龄鱼和1龄鱼不产卵产卵和孵化期为每年的最后4个月,卵孵化并成活为1龄鱼，成活率（1龄鱼条数与产卵总量n之比）为1.22 × /1.22× +n）
案例12：基于主成分分析的长江水质的评价和预测模型
运用主成分分析法对长江流域主要城市水质检测报告进行分析，选取主成分，并把主成分得分按方差贡献率加权求和，得出每个地区的污染综合评价指数，进而可以计算每个月长江流域的污染综合评价指数。
第三部分优化问题
案例13：基于线性规划求解飞行管理模型
第二部分评价问题
案例7：基于层次分析法的高考志愿选择策略
一年一度的高考结束后，许多考生面临估分后填写志愿的决策过程。这个决策关系重大，请你建立一个数学模型，帮考生考虑到各种决策因素使之能轻松应对这一重大决策。成都丙、重庆丁四所大学。
现有某市直属单位因工作需要，拟向社会公开招聘8名公务员。该单位拟将录用的8名公务员安排到所属的7个部门，并且要求每个部门至少安排一名公务员。这7个部门按工作性质可分为四类：(1)行政管理、 (2)技术管理、(3)行政执法、(4)公共事业。
招聘领导小组在确定录用名单的过程中，本着公平、公开的原则，同时考虑录用人员的合理分配和使用，有利于发挥个人的特长和能力。招聘领导小组将7个用人单位的基本情况（包括福利待遇、工作条件、劳动强度、晋升机会和学习深造机会等）和四类工作对聘用公务员的具体条件的希望达到的要求都向所有应聘人员公布。每一位参加面试人员都可以申报两个自己的工作类别志愿。

改进神经网络算法在水环境质量评价中的应用研究

改进神经网络算法在水环境质量评价中的应用研究简介水环境质量评价一直是环境科学研究的重要课题之一。

随着信息技术的不断发展，神经网络算法在水环境质量评价中的应用也得到了广泛关注。

本文将从神经网络算法的基本原理入手，探讨其在水环境质量评价中的应用，并提出改进的思路和方法。

神经网络算法的基本原理神经网络算法是一种模仿人脑神经系统的计算方法，能够通过学习和训练来对复杂的非线性问题进行预测和解决。

神经网络由神经元和相互连接的权值组成，通过输入层、隐含层和输出层来模拟人脑的思维过程。

神经网络算法的基本原理可以概括为以下几个步骤：1.数据准备：将原始数据进行预处理，包括数据清洗、特征提取等。

2.网络构建：确定神经网络的结构，包括输入层、隐含层和输出层的节点数量。

3.权值初始化：为神经网络的连接权值赋初值，可以使用随机数生成的方法。

4.前向传播：将输入数据通过神经网络，计算得到输出。

5.反向传播：将输出值与真实值进行比较，利用误差进行反向传播，并根据误差调整权值。

6.损失函数优化：利用梯度下降等方法，不断优化损失函数，提高神经网络的性能。

7.收敛判断：通过设置收敛条件，判断神经网络是否已经达到较好的预测效果。

神经网络算法在水环境质量评价中的应用水环境质量评价是对水体中各项指标的评估和预测，常常涉及到多个影响因素的综合分析。

神经网络算法由于其非线性映射的能力和自适应学习的特性，能够在水环境质量评价中发挥重要作用。

主要应用包括以下几个方面：1.水质预测：通过监测水体中的各项指标，利用神经网络算法进行预测，可以实现对水质状况变化的快速响应和准确预测。

2.污染源追踪：利用神经网络算法，结合空间分布和相关因素的分析，可以追踪水体中的污染源，提供科学依据和指导防治措施。

3.水体健康评估：通过建立神经网络模型，结合水体中的多项指标，可以对水体的健康状态进行评估，提供科学依据和参考建议。

4.水资源管理：利用神经网络算法对水资源进行模拟和优化，可以提高水资源的利用效率，优化供需关系，实现科学管理和合理分配。

基于模糊神经网络的水质预测模型研究

基于模糊神经网络的水质预测模型研究一、研究背景水质预测是一种关键性的工作，其可以保证水资源的安全与合理利用。

然而，由于水环境受到人口增长、工业化和农业化等因素的影响，许多地区的水质状况正在恶化。

因此，发展一种可靠的水质预测模型具有重大意义。

为满足水环境保护的实际需求，基于模糊神经网络的水质预测模型研究正日益受到关注。

二、模糊神经网络简介模糊神经网络是神经网络的一种扩展形式，其结构类似于神经元，但是其激活函数不是阶跃函数，而是模糊逻辑运算。

模糊神经网络主要由输入层、隐层和输出层组成，其中隐层连接权值可以用聚类算法进行获得，其训练过程需要使用到反向传播算法。

模糊神经网络具有自适应调节和非线性逼近功能，使得其对非线性系统建模有着极高的准确度。

三、水质预测模型的建立水质预测模型可以采用模糊神经网络进行建立。

模型建立的关键是选择适当的输入变量和输出变量。

在进行水质预测时，通常选择水质监测点的水温、溶解氧、化学需氧量、氨氮等指标作为输入变量，水质评价结果作为输出变量。

在网络的训练过程中，需要加入一定的随机噪声以增强模型的泛化能力。

四、实例分析为了验证所建立水质预测模型的准确性，本实验选择了某水库水质检测数据作为数据来源。

首先，将样本数据分为训练集和测试集两部分，其中训练集占总样本数的70%，测试集占30%。

接着，用训练集数据进行网络训练，并用测试集数据进行验证。

最终得出的预测结果表明，该模型具有较高的预测准确性和较好的泛化能力。

五、结论基于模糊神经网络的水质预测模型在水质状况的快速评估和监测中具有广阔的应用前景。

本研究提出的水质预测模型具有较高的预测准确性和泛化能力，可以帮助人们更好地保护水环境和保障人民健康。

在实际应用中需要继续优化模型结构和参数，进一步提高其精度和稳定性。

基于模糊神经网络的水质监测与预警系统设计

基于模糊神经网络的水质监测与预警系统设计水质是人类生活中不可或缺的资源之一，它涉及到饮用水、农田灌溉、工业生产等方方面面。

然而，随着城市化进程的加速和工业生产的增长，水质污染问题日益突出。

因此，建立一套高效的水质监测与预警系统成为了保障水质安全的重要手段。

本文将基于模糊神经网络，探讨水质监测与预警系统设计的原理和方法。

水质监测与预警系统是通过监测不同水环境中的关键指标，如pH值、溶解氧、浊度、总氮、总磷等，来评估水质的优劣，并实时预警潜在的污染情况。

在设计水质监测与预警系统时，需要考虑以下几个关键步骤：1. 数据采集与预处理水质参数的监测是通过水质传感器进行的。

首先，需要选择合适的传感器，并安装在水体中。

传感器将实时采集到的数据传输到监测系统中。

然后，对数据进行预处理，包括数据降噪、异常数据剔除等，确保数据的准确性和可靠性。

2. 特征提取与选择水质监测数据包含了大量的特征信息，如温度、湿度、浓度等。

基于模糊神经网络的水质监测与预警系统设计中，需要选择合适的特征进行提取和选择，以降低数据维度和提高模型的准确度。

常用的特征提取方法包括主成分分析、小波变换等。

3. 模型建立与训练在水质监测与预警系统中，模糊神经网络是一种有效、灵活的建模方法。

该网络结合了模糊逻辑和神经网络的优点，在处理模糊信息时具有较强的适应能力。

模糊神经网络的建模过程包括网络结构设计、参数初始化、模糊规则的提取等。

然后，使用采集到的水质监测数据对模型进行训练，以提高模型的预测能力。

4. 预警决策与输出水质监测与预警系统的目的是实时预警潜在的水质污染情况，因此，需要设置合适的预警决策阈值。

当水质监测数据超过预警阈值时，系统将发出预警信号，并通过声音、灯光、短信等形式提醒相关人员。

此外，系统还可以通过数据可视化的方式展示水质监测数据，帮助用户更直观地了解当前水质状况。

总之，基于模糊神经网络的水质监测与预警系统设计在保障水质安全方面具有重要的意义。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

%输层结for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endend% 规则计for i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=sum(w);for i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);endaddyw=yi*w';% 络预测计yn(k)=addyw/addw;e(k)=outputn(k)-yn(k);%计 p 值d_p=zeros(M,1);d_p=xite*e(k)*w./addw;d_p=d_p';%计 b 值d_b=0*b_1;for i=1:Mfor j=1:Id_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);endend% c 值for i=1:Mfor j=1:Id_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);endendp0=p0_1+ d_p+alfa*(p0_1-p0_2);p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);b=b_1+d_b+alfa*(b_1-b_2);c=c_1+d_c+alfa*(c_1-c_2);p0_2=p0_1;p0_1=p0;p1_2=p1_1;p1_1=p1;p2_2=p2_1;p2_1=p2;p3_2=p3_1;p3_1=p3;p4_2=p4_1;p4_1=p4;p5_2=p5_1;p5_1=p5;p6_2=p6_1;p6_1=p6;c_2=c_1;c_1=c;b_2=b_1;b_1=b;endE(iii)=sum(abs(e));endfigure(1);plot(outputn,'r')hold onplot(yn,'b')hold onplot(outputn-yn,'g');legend(' 际输 ','预测输 ','误 ','fontsize',12)title('训练数预测','fontsize',12)xlabel(' ','fontsize',12)ylabel(' 质级','fontsize',12)Warning: Ignoring extra legend entries.络预测%数归inputn_test=mapminmax('apply',input_test,inputps);[n,m]=size(inputn_test)for k=1:mx=inputn_test(:,k);%计输层for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endendfor i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=0;for i=1:Maddw=addw+w(i);endfor i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);endaddyw=0;for i=1:Maddyw=addyw+yi(i)*w(i);end%计输yc(k)=addyw/addw;end%预测结归test_simu=mapminmax('reverse',yc,outputps);% 图figure(2)plot(output_test,'r')hold onplot(test_simu,'b')hold onplot(test_simu-output_test,'g')legend(' 际输 ','预测输 ','误 ','fontsize',12)title('测试数预测','fontsize',12)xlabel(' ','fontsize',12)ylabel(' 质级','fontsize',12)n =6m =50Warning: Ignoring extra legend entries.际质预测load data2hgsc gjhy dxg%-----------------------------------红 -----------------------------------zssz=hgsc;%数归inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计输层for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endendfor i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=0;for i=1:Maddw=addw+w(i);endfor i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);endaddyw=0;for i=1:Maddyw=addyw+yi(i)*w(i);end%计输szzb(k)=addyw/addw;endszzbz1=mapminmax('reverse',szzb,outputps);for i=1:mif szzbz1(i)<=1.5szpj1(i)=1;elseif szzbz1(i)>1.5&&szzbz1(i)<=2.5szpj1(i)=2;elseif szzbz1(i)>2.5&&szzbz1(i)<=3.5szpj1(i)=3;elseif szzbz1(i)>3.5&&szzbz1(i)<=4.5szpj1(i)=4;elseszpj1(i)=5;endend% %----------------------------------- -----------------------------------zssz=gjhy;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计输层for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endendfor i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=0;for i=1:Maddw=addw+w(i);endfor i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);endaddyw=0;for i=1:Maddyw=addyw+yi(i)*w(i);end%计输szzb(k)=addyw/addw;endszzbz2=mapminmax('reverse',szzb,outputps);for i=1:mif szzbz2(i)<=1.5szpj2(i)=1;elseif szzbz2(i)>1.5&&szzbz2(i)<=2.5szpj2(i)=2;elseif szzbz2(i)>2.5&&szzbz2(i)<=3.5szpj2(i)=3;elseif szzbz2(i)>3.5&&szzbz2(i)<=4.5szpj2(i)=4;elseszpj2(i)=5;endend% %----------------------------------- -----------------------------------zssz=dxg;inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);for k=1:1:mx=inputn_test(:,k);%计输层for i=1:Ifor j=1:Mu(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));endendfor i=1:Mw(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);endaddw=0;for i=1:Maddw=addw+w(i);endfor i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);endaddyw=0;for i=1:Maddyw=addyw+yi(i)*w(i);end%计输szzb(k)=addyw/addw;endszzbz3=mapminmax('reverse',szzb,outputps);for i=1:mif szzbz3(i)<=1.5szpj3(i)=1;elseif szzbz3(i)>1.5&&szzbz3(i)<=2.5szpj3(i)=2;elseif szzbz3(i)>2.5&&szzbz3(i)<=3.5szpj3(i)=3;elseif szzbz3(i)>3.5&&szzbz3(i)<=4.5szpj3(i)=4;elseszpj3(i)=5;endendfigure(3)plot(szzbz1,'o-r')hold onplot(szzbz2,'*-g')hold onplot(szzbz3,'*:b')xlabel('时 ','fontsize',12)ylabel('预测质','fontsize',12)legend('红 ',' ',' ','fontsize',12)。