2022年神经网络归一化及信号分解程序 .pdf

《2022年神经网络归一化及信号分解程序 .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络归一化及信号分解程序 .pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、一、EMD 的分解程序：%EMD_SEPARATION.MN=256;%# of data samplest =1:N;tt =N/4:3*N/4;Nf =129;%# of tested fequenciesf =linspace(0,.5,Nf);rapp =8;%amplitude ratio between modesa1=sqrt(rapp);a2=1/a1;x1= a1*cos(2*pi*f*t);x2= a2*cos(2*pi*f*t);se= zeros(Nf);for k1 =5:Nf-1for k2=2:k1-1;y1=x1(k1,:);y2=x2(k2,:);sy1=su

2、m(y1(tt).2);sy2=sum(y2(tt).2);sy=sum(y1(tt).2+(y2(tt).2);imf =emd(y1+y2);%f_2)ylabel(f_2)colormap(jet)%colormap(flipud(gray)colorbar(vert )hold off二、数据的归一化程序%-输入输出数据归一化 -%for i=1:(outnode+innode)maxi=data(1,i);mini=data(1,i);for j=2:iterationif maxidata(j,i)ma(i)=maxi;elsema(i)=data(j,i);endmaxi=ma(

3、i);if minidata(j,i)mi(i)=mini;elsemi(i)=data(j,i);endmini=mi(i);endend%找到所有数据中的最大值和最小值for i=1:(outnode+innode)for j=1:iterationda(j,i)=(data(j,i)-mi(i)/(ma(i)-mi(i);endend%所有数据都归一化%- 训练输出数据反归一化 -%for i=1:iterationreal(i)=output(1,i)*(ma(innode+1)-mi(innode+1)+mi(innode+1);名师资料总结 - - -精品资料欢迎下载 - - -

4、- - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 4 页 - - - - - - - - - end%- 测试输出数据反归一化 -%for j=1:outnodefor i=1:iterationt_real(j,i)=test_out(j,i)*(ma(innode+j)-mi(innode+j)+mi(innode+j);endend三、网络的训练测试程序：%bpnnclc;clear,closeall;%?datatrain=load(MDT.txt);ptrain=datatrain(:,1:4);ttrain=dat

5、atrain(:,5);%2a ?datatest=load(MD.txt );ptest=datatest(:,1:4);ttest=datatest(:,5);%? ?yn=size(ptest,2);% ? BP ?- ?net=newff(ptrain,ttrain,4,7, tansig,purelin ,traingd ,learngd,mse);% ? ?2? ynet.trainParam.epochs=1000;net.trainParam.goal=1e-4;net.trainParam.lr=0.01;%?net=train(net,ptrain,ttrain);% ?

6、? ?DD? 2atsim=sim(net,ptest);%? ? 2?error=abs(tsim-ttest)./ttest;%msemse=1/2.*(tsim-ttest).2;%?%figure(1);%plot(1:n,ttest,b,1:n,tsim,r*-)%legend(? ? ,? 2a? );%xlabel(? ? o?);ylabel(? ? );%title(BP ?- ? 2a? ? ?);%figure(2);名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - -

7、第 3 页，共 4 页 - - - - - - - - - %plot(1:n,error);%xlabel(? ? o?);ylabel(? ? 2?);%title(BP ?- ? 2a? ? 2?);%figure(3);%yttest=interp1(1:n,ttest,1:0.1:n);%ytsim=interp1(1:n,tsim,1:0.1:n);%plot(1:0.1:n,yttest,k,1:0.1:n,ytsim,b);%legend(? ? ,? 2a? );%xlabel(? ? o?);ylabel(PredictedValue-blueTargetValue-bla

8、ck);%title(BP ?- ? 2a? ? ?);i=0;for j=1:length(mse)if mse(j)0.0001i=j;break;endendplot(1:i,mse(1:i),linewidth ,2);hold on;plot(1:.001:i,0.0001,linewidth ,2);axistight;xlabel(sprintf(%dEPochs ,i);ylabel(Training-BlueGoal-Black );ti=sprintf(Performanceis%f,Goalis%f,mse(i),net.trainParam.goal);title(ti);从流程图 5.3可以看出， BP算法包含正向传播和反向传播两个过程。在正向传播过程中，输入样本从输入层经过各隐层逐层处理后，传向输出层。 若输出层的实际输出与期望输出存在偏差， 则转入误差的反向传播阶段。在反向传播阶段，输出误差以某种形式通过隐含层由原正向传播途径反向回传，并按照误差函数的负梯度方向，对各层神经元的权系数进行修正，最终使期望的误差函数趋向最小。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 4 页 - - - - - - - - -