資源簡介
RBF網絡能夠逼近任意的非線性函數,可以處理系統內的難以解析的規律性,具有良好的泛化能力,并有很快的學習收斂速度,已成功應用于非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。

代碼片段和文件信息
%%主要程序???前200個點用于訓練網絡,并且生成三維神經網絡圖。然后代入后400個點于三維圖中,并記錄實驗數據
%?clear?all
%?close?all
%?clc
%?%?tic
%?xlsfile=‘C:\Users\Administrator\Desktop\誤差.xlsx‘;
%?[xji]=xlsread(xlsfile‘Sheet1‘‘A1:A13880‘);
%?[yji]=xlsread(xlsfile‘Sheet1‘‘B1:B13880‘);
%?[feng]=xlsread(xlsfile‘Sheet1‘‘C1:C13880‘);
%?
%?
%?[bps]=mapminmax(xji‘01);
%?[cps]=mapminmax(yji‘01);
%?[dps]=mapminmax(feng‘01);
%?t=b(1:11000);
%?u=c(1:11000);
%?v=d(1:11000);????????????????????????
%?
%?p1=[t;u];
%?t1=v;
clc;
A=untitled;
x1=A(1:1571);
x2=A(2:1581);
x3=A(3:1591);
p1=[x1?x2?x3]‘;
t1=A(4:1601)‘;
%?spread=80000;??
%?net=newrbe(p1t1spread);
net=newff(p1t1);
%?toc
%繪制預測模型
%?[x2v2]=meshgrid(0:0.02:1);?
%?P?=?[x2(:)‘;v2(:)‘];
%?z2?=?sim(netP);
%?z2=reshape(z25151);
%?surf(x2v2z2);
%?title(‘神經網絡預測曲面‘);??
%?x1=xlabel(‘風速‘);???????
%?x2=ylabel(‘主軸轉速‘);????????
%?x3=zlabel(‘振動特征值‘);????????
%?set(x1‘Rotation‘30);????
%?set(x2‘Rotation‘-30);?
%?hold?on;
%?代入檢測點
%?bb=b(11001:13880);
%?cc=c(11001:13880);
%?dd=d(11001:13880);
%?
%?
%?%?scatter3(xxvvzz)%散點圖
%?%?hold?off;
%?P_test=[bb;cc];
%?t_test=dd;
test_x1=A(161:1971);
test_x2=A(162:1981);
test_x3=A(163:1991);
P_test=[test_x1?test_x2?test_x3]‘;
t_test=A(164:2001)‘;
Y=sim(netP_test);
Z=Y‘;
e1=abs(Y-t_test);
%?figure(2)
%?ll1=(1:1:37);
%?plot(ll1dd‘b‘);
%?hold?on;
%?plot(ll1Y‘r‘);
%?hold?on;
%?plot(ll1e1‘m‘);
%?legend(‘RBF神經網絡預測‘‘測量值‘‘誤差‘)
%?hold?off;
%?xlabel(‘時間軸/10min‘);ylabel(‘功率‘);
%?title(‘徑向基神經網絡預測‘);?
g=mean(e1)
n=37;
j=sqrt(sum((Y-t_test).^2)/n)?
c=mean(abs(e1./t_test))
d=sqrt(sum((e1./t_test.^2)/n))
?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????1767??2017-05-22?16:41??jingxiangjiyuce.m
- 上一篇:Anybody人體建模仿真系統
- 下一篇:Gardner定時同步算法
評論
共有 條評論