小波神经网络预测代码

 cengcifenxi.m

clc
clear 
A=[1 5 3 7;1/5 1 1/3 3;1/3 3 1 5;1/7 1/3 1/5 1];
[m,n]=size(A);
RI=[0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51];
R=rank(A);
[V,D]=eig(A);
tz=max(D);
B=max(tz);
[row,col]=find(D==B);
C=V(:,col);
CI=(B-n)/(n-1);
CR=CI/RI(1,n);
if CR<0.10
    disp('CI=');disp(CI);
    disp('CR=');disp(CR);
    disp('矩阵通过一致性检验，各向量权重向量Q为：');
    Q=zeros(n,1);
    for i=1:n
        Q(i,1)=C(i,1)/sum(C(:,1));
    end
    Q
else
    disp('矩阵没有通过一致性检验，请重新构造');
end

d_mymorlet.m

function y=d_mymorlet(t)

y = -1.75*sin(1.75*t).*exp(-(t.^2)/2)-t* cos(1.75*t).*exp(-(t.^2)/2) ;

 mymorlet.m

%这里面用到的两个子程序分别是：
function y=mymorlet(t)

y = exp(-(t.^2)/2) * cos(1.75*t);

 shenjingwangluo.m

clc
clear 
P=[-1 -1 2 2 4;0 5 0 5 7];
T=[-1 -1 1 1 -1];
P1=[3;4];
net=newff(minmax(P),[5,1],{'tansig','purelin'},'trainrp');
net.trainParam.epochs=500;
net.trainParam.goal=0.000001;
net.trainParam.lr=0.05;
net.trainParam.show=20;
[net,tr]=train(net,P,T);
sim(net,P1)

 traffic_flux.mat

 input

66	64	60	58
64	60	58	17
60	58	17	49
58	17	49	34
17	49	34	17
49	34	17	8
34	17	8	53
17	8	53	15
8	53	15	15
53	15	15	45
15	15	45	57
15	45	57	33
45	57	33	42
57	33	42	8
33	42	8	52
42	8	52	24
8	52	24	29
52	24	29	-13
24	29	-13	37
29	-13	37	37
-13	37	37	4
37	37	4	32
37	4	32	38
4	32	38	68
32	38	68	77
38	68	77	95
68	77	95	119
77	95	119	161
95	119	161	184
119	161	184	276
161	184	276	247
184	276	247	251
276	247	251	193
247	251	193	226
251	193	226	213
193	226	213	195
226	213	195	182
213	195	182	166
195	182	166	188
182	166	188	149
166	188	149	132
188	149	132	167
149	132	167	181
132	167	181	203
167	181	203	219
181	203	219	226
203	219	226	216
219	226	216	234
226	216	234	197
216	234	197	219
234	197	219	230
197	219	230	247
219	230	247	238
230	247	238	259
247	238	259	270
238	259	270	232
259	270	232	202
270	232	202	243
232	202	243	223
202	243	223	202
243	223	202	235
223	202	235	184
202	235	184	215
235	184	215	217
184	215	217	209
215	217	209	199
217	209	199	197
209	199	197	226
199	197	226	217
197	226	217	254
226	217	254	243
217	254	243	281
254	243	281	285
243	281	285	285
281	285	285	251
285	285	251	288
285	251	288	236
251	288	236	266
288	236	266	214
236	266	214	213
266	214	213	186
214	213	186	209
213	186	209	176
186	209	176	163
209	176	163	199
176	163	199	171
163	199	171	170
199	171	170	134
171	170	134	128
170	134	128	72
134	128	72	113
128	72	113	94
69	41	53	48
41	53	48	42
53	48	42	25
48	42	25	21
42	25	21	32
25	21	32	16
21	32	16	52
32	16	52	63
16	52	63	7
52	63	7	38
63	7	38	9
7	38	9	50
38	9	50	60
9	50	60	3
50	60	3	51
60	3	51	-7
3	51	-7	29
51	-7	29	32
-7	29	32	21
29	32	21	46
32	21	46	50
21	46	50	38
46	50	38	26
50	38	26	49
38	26	49	64
26	49	64	73
49	64	73	114
64	73	114	182
73	114	182	239
114	182	239	242
182	239	242	233
239	242	233	255
242	233	255	240
233	255	240	211
255	240	211	225
240	211	225	207
211	225	207	176
225	207	176	190
207	176	190	158
176	190	158	153
190	158	153	169
158	153	169	152
153	169	152	165
169	152	165	197
152	165	197	226
165	197	226	236
197	226	236	226
226	236	226	221
236	226	221	209
226	221	209	175
221	209	175	226
209	175	226	255
175	226	255	229
226	255	229	279
255	229	279	234
229	279	234	259
279	234	259	225
234	259	225	215
259	225	215	199
225	215	199	188
215	199	188	194
199	188	194	214
188	194	214	222
194	214	222	222
214	222	222	186
222	222	186	241
222	186	241	251
186	241	251	247
241	251	247	208
251	247	208	233
247	208	233	263
208	233	263	274
233	263	274	254
263	274	254	267
274	254	267	281
254	267	281	259
267	281	259	258
281	259	258	225
259	258	225	211
258	225	211	240
225	211	240	227
211	240	227	227
240	227	227	172
227	227	172	171
227	172	171	161
172	171	161	180
171	161	180	142
161	180	142	164
180	142	164	96
142	164	96	73
164	96	73	91
96	73	91	92
31	38	28	44
38	28	44	65
28	44	65	46
44	65	46	13
65	46	13	28
46	13	28	6
13	28	6	33
28	6	33	30
6	33	30	65
33	30	65	54
30	65	54	33
65	54	33	56
54	33	56	9
33	56	9	22
56	9	22	51
9	22	51	47
22	51	47	31
51	47	31	22
47	31	22	9
31	22	9	49
22	9	49	4
9	49	4	44
49	4	44	57
4	44	57	85
44	57	85	77
57	85	77	115
85	77	115	158
77	115	158	165
115	158	165	216
158	165	216	279
165	216	279	241
216	279	241	215
279	241	215	220
241	215	220	192
215	220	192	211
220	192	211	185
192	211	185	185
211	185	185	192
185	185	192	201
185	192	201	155
192	201	155	178
201	155	178	165
155	178	165	198
178	165	198	162
165	198	162	202
198	162	202	240
162	202	240	210
202	240	210	199
240	210	199	221
210	199	221	208
199	221	208	218
221	208	218	235
208	218	235	211
218	235	211	241
235	211	241	240
211	241	240	220
241	240	220	241
240	220	241	242
220	241	242	202
241	242	202	224
242	202	224	184
202	224	184	221
224	184	221	184
184	221	184	216
221	184	216	207
184	216	207	239
216	207	239	226
207	239	226	230
239	226	230	258
226	230	258	232
230	258	232	247
258	232	247	288
232	247	288	243
247	288	243	309
288	243	309	252
243	309	252	271
309	252	271	256
252	271	256	251
271	256	251	222
256	251	222	228
251	222	228	229
222	228	229	172
228	229	172	171
229	172	171	219
172	171	219	195
171	219	195	164
219	195	164	155
195	164	155	118
164	155	118	107
155	118	107	86
118	107	86	78
107	86	78	55

input_text

28	71	21	69
71	21	69	34
21	69	34	11
69	34	11	27
34	11	27	49
11	27	49	50
27	49	50	36
49	50	36	45
50	36	45	58
36	45	58	9
45	58	9	22
58	9	22	5
9	22	5	12
22	5	12	42
5	12	42	38
12	42	38	44
42	38	44	23
38	44	23	-11
44	23	-11	44
23	-11	44	41
-11	44	41	14
44	41	14	33
41	14	33	77
14	33	77	78
33	77	78	103
77	78	103	96
78	103	96	136
103	96	136	179
96	136	179	199
136	179	199	265
179	199	265	238
199	265	238	234
265	238	234	201
238	234	201	179
234	201	179	194
201	179	194	182
179	194	182	203
194	182	203	197
182	203	197	183
203	197	183	144
197	183	144	129
183	144	129	154
144	129	154	159
129	154	159	217
154	159	217	239
159	217	239	218
217	239	218	241
239	218	241	239
218	241	239	214
241	239	214	224
239	214	224	240
214	224	240	228
224	240	228	252
240	228	252	255
228	252	255	215
252	255	215	232
255	215	232	237
215	232	237	222
232	237	222	208
237	222	208	237
222	208	237	225
208	237	225	221
237	225	221	198
225	221	198	216
221	198	216	238
198	216	238	247
216	238	247	236
238	247	236	213
247	236	213	245
236	213	245	215
213	245	215	245
245	215	245	271
215	245	271	297
245	271	297	299
271	297	299	270
297	299	270	276
299	270	276	246
270	276	246	269
276	246	269	260
246	269	260	242
269	260	242	204
260	242	204	198
242	204	198	180
204	198	180	208
198	180	208	208
180	208	208	205
208	208	205	164
208	205	164	146
205	164	146	99
164	146	99	124
146	99	124	85
99	124	85	58

 output

17
49
34
17
8
53
15
15
45
57
33
42
8
52
24
29
-13
37
37
4
32
38
68
77
95
119
161
184
276
247
251
193
226
213
195
182
166
188
149
132
167
181
203
219
226
216
234
197
219
230
247
238
259
270
232
202
243
223
202
235
184
215
217
209
199
197
226
217
254
243
281
285
285
251
288
236
266
214
213
186
209
176
163
199
171
170
134
128
72
113
94
78
42
25
21
32
16
52
63
7
38
9
50
60
3
51
-7
29
32
21
46
50
38
26
49
64
73
114
182
239
242
233
255
240
211
225
207
176
190
158
153
169
152
165
197
226
236
226
221
209
175
226
255
229
279
234
259
225
215
199
188
194
214
222
222
186
241
251
247
208
233
263
274
254
267
281
259
258
225
211
240
227
227
172
171
161
180
142
164
96
73
91
92
52
65
46
13
28
6
33
30
65
54
33
56
9
22
51
47
31
22
9
49
4
44
57
85
77
115
158
165
216
279
241
215
220
192
211
185
185
192
201
155
178
165
198
162
202
240
210
199
221
208
218
235
211
241
240
220
241
242
202
224
184
221
184
216
207
239
226
230
258
232
247
288
243
309
252
271
256
251
222
228
229
172
171
219
195
164
155
118
107
86
78
55
54

output_text 

34
11
27
49
50
36
45
58
9
22
5
12
42
38
44
23
-11
44
41
14
33
77
78
103
96
136
179
199
265
238
234
201
179
194
182
203
197
183
144
129
154
159
217
239
218
241
239
214
224
240
228
252
255
215
232
237
222
208
237
225
221
198
216
238
247
236
213
245
215
245
271
297
299
270
276
246
269
260
242
204
198
180
208
208
205
164
146
99
124
85
58
87

 wavenn.m

%% 该代码为基于小波神经网络的交通流预测代码
%
% 
% 
	
		
该案例作者申明：
	
	
1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。本套书籍官方网站为：video.ourmatlab.com
		
2：点此从当当预定本书：《Matlab神经网络30个案例分析》。
	
3：此案例有配套的教学视频，视频下载方式video.ourmatlab.com/vbuy.html。 
	
			
		
		4：此案例为原创案例，转载请注明出处（《Matlab神经网络30个案例分析》）。
	
		
		
		5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。
	
		
% 

%% 清空环境变量
clc
clear

%% 网络参数配置
load traffic_flux input output input_test output_test

M=size(input,2); %输入节点个数
N=size(output,2); %输出节点个数

n=6; %隐形节点个数
lr1=0.01; %学习概率
lr2=0.001; %学习概率
maxgen=100; %迭代次数

%权值初始化
Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1;
a=randn(1,n);a_1=a;a_2=a_1;
b=randn(1,n);b_1=b;b_2=b_1;

%节点初始化
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);

%权值学习增量初始化
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);

%% 输入输出数据归一化
[inputn,inputps]=mapminmax(input');
[outputn,outputps]=mapminmax(output'); 
inputn=inputn';
outputn=outputn';

error=zeros(1,maxgen);
%% 网络训练
for i=1:maxgen
    
    %误差累计
    error(i)=0;
    
    % 循环训练
    for kk=1:size(input,1)
        x=inputn(kk,:);
        yqw=outputn(kk,:);
   
        for j=1:n
            for k=1:M
                net(j)=net(j)+Wjk(j,k)*x(k);
                net_ab(j)=(net(j)-b(j))/a(j);
            end
            temp=mymorlet(net_ab(j));
            for k=1:N
                y=y+Wij(k,j)*temp;   %小波函数
            end
        end
        
        %计算误差和
        error(i)=error(i)+sum(abs(yqw-y));
        
        %权值调整
        for j=1:n
            %计算d_Wij
            temp=mymorlet(net_ab(j));
            for k=1:N
                d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp;
            end
            %计算d_Wjk
            temp=d_mymorlet(net_ab(j));
            for k=1:M
                for l=1:N
                    d_Wjk(j,k)=d_Wjk(j,k)+(yqw(l)-y(l))*Wij(l,j) ;
                end
                d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j);
            end
            %计算d_b
            for k=1:N
                d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j);
            end
            d_b(j)=d_b(j)*temp/a(j);
            %计算d_a
            for k=1:N
                d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j);
            end
            d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j);
        end
        
        %权值参数更新      
        Wij=Wij-lr1*d_Wij;
        Wjk=Wjk-lr1*d_Wjk;
        b=b-lr2*d_b;
        a=a-lr2*d_a;
    
        d_Wjk=zeros(n,M);
        d_Wij=zeros(N,n);
        d_a=zeros(1,n);
        d_b=zeros(1,n);

        y=zeros(1,N);
        net=zeros(1,n);
        net_ab=zeros(1,n);
        
        Wjk_1=Wjk;Wjk_2=Wjk_1;
        Wij_1=Wij;Wij_2=Wij_1;
        a_1=a;a_2=a_1;
        b_1=b;b_2=b_1;
    end
end

%% 网络预测
%预测输入归一化
x=mapminmax('apply',input_test',inputps);
x=x';
yuce=zeros(92,1);
%网络预测
for i=1:92
    x_test=x(i,:);

    for j=1:1:n
        for k=1:1:M
            net(j)=net(j)+Wjk(j,k)*x_test(k);
            net_ab(j)=(net(j)-b(j))/a(j);
        end
        temp=mymorlet(net_ab(j));
        for k=1:N
            y(k)=y(k)+Wij(k,j)*temp ; 
        end
    end

    yuce(i)=y(k);
    y=zeros(1,N);
    net=zeros(1,n);
    net_ab=zeros(1,n);
end
%预测输出反归一化
ynn=mapminmax('reverse',yuce,outputps);

%% 结果分析
figure(1)
plot(ynn,'r*:')
hold on
plot(output_test,'bo--')
title('预测交通流量','fontsize',12)
legend('预测交通流量','实际交通流量','fontsize',12)
xlabel('时间点')
ylabel('交通流量')

web browser www.matlabsky.com
%%
% 
% 
	
Matlab神经网络30个案例分析
相关论坛：
《Matlab神经网络30个案例分析》官方网站：video.ourmatlab.com
Matlab技术论坛：www.matlabsky.com
Matlab函数百科：www.mfun.la
Matlab中文论坛：www.ilovematlab.com
	
%