【模糊神经网络预测】基于模糊神经网络实现水质预测含Matlab源码

1 简介

一种基于模糊小波神经网络的水质评价预测方法,目的在于解决BP神经网络在进行水质预测时收敛速度较慢,逼近效果差,预测结果不精准的问题,以已知水质分析指标个数为,预测指标个数,模糊规则数构建模糊小波神经网络预测模型,模糊小波神经网络预测模型包括输入层,隶属层,模糊规则层,小波层,输出层和解模糊层;对隶属函数参数,小波层的小波参数进行调整,并定义代价函数,使用以梯度下降法为基础的BP算法进行参数调整,为避免收敛速度慢,容易陷于震荡效应和局部最优,增加模型稳定性,采用人工蜂群算法优化初始参数,本专利方法主要用于预测水质指标.

2 部分代码

%---------------------------------------------%%%---------------------------------------------%​%% 清空环境变量clcclear​%% 参数初始化xite=0.001;alfa=0.05;​%网络节点I=6;   %输入节点数M=12;  %隐含节点数O=1;   %输出节点数​%系数初始化p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1;p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1;p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1;p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1;p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1;p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1;p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1;​%参数初始化c=1+rands(M,I);c_1=c;c_2=c_1;b=1+rands(M,I);b_1=b;b_2=b_1;​maxgen=100; %进化次数​%网络测试数据，并对数据归一化load data1 input_train output_train input_test output_test​%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);[n,m]=size(input_train);​%% 网络训练%循环开始，进化网络for iii=1:maxgen    iii    for k=1:m                x=inputn(:,k);                %输出层结算        for i=1:I            for j=1:M                u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));            end        end                %模糊规则计算        for i=1:M            w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);        end            addw=sum(w);                for i=1:M            yi(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);        end                addyw=yi*w';        %网络预测计算        yn(k)=addyw/addw;        e(k)=outputn(k)-yn(k);                %计算p的变化值        d_p=zeros(M,1);        d_p=xite*e(k)*w./addw;        d_p=d_p';                %计算b变化值        d_b=0*b_1;        for i=1:M            for j=1:I                d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);            end        end                  %更新c变化值        for i=1:M            for j=1:I                d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);            end        end                p0=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;            end       E(iii)=sum(abs(e));​end​figure(1);plot(outputn,'r')hold onplot(yn,'b')hold onplot(outputn-yn,'g');legend('实际输出','预测输出','误差','fontsize',12)title('训练数据预测','fontsize',12)xlabel('样本序号','fontsize',12)ylabel('水质等级','fontsize',12)​%% 网络预测%数据归一化inputn_test=mapminmax('apply',input_test,inputps);[n,m]=size(inputn_test)for k=1:m    x=inputn_test(:,k);              %计算输出中间层     for i=1:I         for j=1:M             u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));         end     end          for i=1:M         w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);     end                      addw=0;     for i=1:M           addw=addw+w(i);     end              for i=1:M           yi(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);             end              addyw=0;             for i=1:M             addyw=addyw+yi(i)*w(i);             end              %计算输出     yc(k)=addyw/addw;end​%预测结果反归一化test_simu=mapminmax('reverse',yc,outputps);%作图figure(2)plot(output_test,'r')hold onplot(test_simu,'b')hold onplot(test_simu-output_test,'g')legend('实际输出','预测输出','误差','fontsize',12)title('测试数据预测','fontsize',12)xlabel('样本序号','fontsize',12)ylabel('水质等级','fontsize',12)​%% 嘉陵江实际水质预测load  data2 hgsc gjhy dxg%-----------------------------------红工水厂-----------------------------------zssz=hgsc;%数据归一化inputn_test =mapminmax('apply',zssz,inputps);[n,m]=size(zssz);​for k=1:1:m    x=inputn_test(:,k);            %计算输出中间层    for i=1:I        for j=1:M            u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));        end    end        for i=1:M        w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);    end                    addw=0;            for i=1:M           addw=addw+w(i);    end            for i=1:M           yi(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);            end            addyw=0;            for i=1:M            addyw=addyw+yi(i)*w(i);            end            %计算输出    szzb(k)=addyw/addw;endszzbz1=mapminmax('reverse',szzb,outputps);​for i=1:m    if szzbz1(i)<=1.5        szpj1(i)=1;    elseif szzbz1(i)>1.5&&szzbz1(i)<=2.5        szpj1(i)=2;    elseif szzbz1(i)>2.5&&szzbz1(i)<=3.5        szpj1(i)=3;    elseif szzbz1(i)>3.5&&szzbz1(i)<=4.5        szpj1(i)=4;    else        szpj1(i)=5;​​figure(3)plot(szzbz1,'o-r')hold onplot(szzbz2,'*-g')hold onplot(szzbz3,'*:b')xlabel('时间','fontsize',12)ylabel('预测水质','fontsize',12)legend('红工水厂','高家花园水厂','大溪沟水厂','fontsize',12)​​

3 仿真结果

4 参考文献

[1]朱敏, 李悦, 孔范龙,等. 基于MATLAB实现模糊神经网络模型在企业水环境中的应用[J]. 绿色科技, 2012.​

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。