模糊神经网络代码

该代码为基于模糊神经网络的水质评价代码

清空环境变量 参数初始化 网络训练 网络预测

嘉陵江实际水质预测 清空环境变量 clc clear

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 i

模糊神经网络

模糊经神络网及在温其度控中的应制用主要容：内1模糊控技术及制其温在中控应的 用经网络控制神术技模糊神网络的经应用 传算遗法模糊神对经网的优化

络234

模糊神经网络

模神糊网经络其及在温度控中制的应用 .1 1模糊逻辑数学基的础从论U域中意指定一任元素x,及U个上集的A合 果x如集是合的一A元个，素那么做记∈A x果如x是集合A不的一元素，个那么记x做A x与合集A的系关:要是x么于A属，么x不属要于,A二者居必其一，不允许 有属既A又不于于A的属棱两可模的况发生。情模糊集 合的念概：基其本想是把经典集思中的绝合隶对属系模关 糊，化隶从属数方面来看就函:是素元x对A隶属度不再局于0限 或1而，可以取是0从到1任的一何个值

数模糊

模糊神经网络

神经络网其在温度及制中的控应用1.1 模逻辑糊数的基础学所谓域U上的论一个模糊子集(称简模糊集),A是 指于对任意x∈U ,定指一了数u个(A)x [∈0,1] 叫做u,对A的隶属度程。映射u叫A做 A的属隶函。 隶属数函的数类有型以三种类型下( )1大偏型属隶函数(型)S()2偏小隶属型数函(Z型)3()中型隶间属函数π()型

模糊神经网络

模糊经神络网其在及度温制控中的用 1.1 应糊逻辑模数的学础

x=[54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507

109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 1

matlab 通用神经网络代码

学习了一段时间的神经网络,总结了一些经验,在这愿意和大家分享一下,

希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享

感应器神经网络、线性网络、BP神经网络、径向基函数网络

%通用感应器神经网络。

P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50];%输入向量 T=[1 1 0 0 1];%期望输出

plotpv(P,T);%描绘输入点图像

net=newp([-40 1;-1 50],1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量 hold on

linehandle=plotpc(net.iw{1},net.b{1}); net.adaptparam.passes=3; for a=1:25%训练次数 [net,Y,E]=adapt(net,P,T);

linehandle=plotpc(net.iw{1},net.b{1},linehandle); drawnow; end

%通用newlin程序

%通用线性网络进行预测 time=0:0.025:5; T=sin(time*4*pi); Q=length(T

卷积神经网络CNN代码解析

deepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 Rasmus Berg Palm

代码下载：https://http://www.77cn.com.cn/rasmusbergpalm/DeepLearnToolbox

这里我们介绍deepLearnToolbox-master中的CNN部分。

DeepLearnToolbox-master中CNN内的 函数：

调用关系为：

该模型使用了mnist的数字mnist_uint8.mat作为训练样本，作为cnn的一个使用样例， 每个样本特征为一个28*28=的向量。

网络结构为：

让我们来看看各个函数：

一、Test_example_CNN: .................................................................................................................................................

cnnexamples.m

[plain] view plaincopy

1. clear all; close all; clc; 2. addpath('../data'); 3. addpath('../util'); 4. load mnist_uint8; 5.

6. train_x = double(reshape(train_x',28,28,60000))/255; 7. test_x = double(reshape(test_x',28,28,10000))/255; 8. train_y = double(train_y'); 9. test_y = double(test_y'); 10.

11. %% ex1

12. %will run 1 epoch in about 200 second and get around 11% error. 13. %With 100 epochs you'll get around 1.2% error 14.

15. cnn.layers = {

16. struct('type', 'i') %in

cnnexamples.m

[plain] view plaincopy

1. clear all; close all; clc; 2. addpath('../data'); 3. addpath('../util'); 4. load mnist_uint8; 5.

6. train_x = double(reshape(train_x',28,28,60000))/255; 7. test_x = double(reshape(test_x',28,28,10000))/255; 8. train_y = double(train_y'); 9. test_y = double(test_y'); 10.

11. %% ex1

12. %will run 1 epoch in about 200 second and get around 11% error. 13. %With 100 epochs you'll get around 1.2% error 14.

15. cnn.layers = {

16. struct('type', 'i') %in

实验名称

一. 实验目的

1. 了解掌握传统PID控制原理及其基本的参数整定方法； 2. 了解掌握模糊控制原理及其优缺点； 3. 了解掌握神经网络原理及其优缺点；

4. 掌握将传统PID控制与模糊控制结合、传统PID控制与神经网络控制结合以及将传统PID控制、模糊控制与神经网络控制三者结合起来有效地解决控制问题。

二. 实验内容

1. 分别改变PID参数中的Kp,Ti,Td,比较PID参数对控制系统的影响； 2. 选取Ziegler-Nichols法则对传统PID经行参数整定； 3. 选取合适的隶属度函数设计模糊控制PID；

4. 选取一种合适方式，设计神经网络与模糊控制结合的PID控制器。

三. 实验原理

1. 常规PID原理

常规PID控制系统框图如图3-1所示。控制系统由PID控制器和被对象组成。

比例 r 积分 微分 被控对象 y

图3-1.传统PID控制系统原理图

PID控制器是一种线性控制器，它根据给定值r(t)与实际输出值y(t)构成

控制偏差

e(t)=r(t)一y(t)

将偏差的比例(P)、积分(I)和微分(D)通过线性组合构成控制量，对被控对象进行控制，其控制规律为

u t =????(?? ?? +

1

????

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An