【预测模型】基于模糊神经网络实现嘉陵江水质评价预测matlab源码
作者：互联网
一、模糊神经网络
模糊神经网络原理详解
模糊控制的基本原理由如图表示，它的核心部分为模糊控制器，如图中虚线框中部分所示。模糊控制器的控制规律由计算机的程序实现“，其算法过程：微机经中断采样获取被控量的精确值，然后将此量与给定值比较得到误差信号E。一般选误差信号E 作为模糊控制器的一个输入量。把误差信号E 的精确量进行模糊量化变成模糊量，误差E 的模糊量可用相应的模糊语言表示，得到了误差E 的模糊语言集合的一个子集e。再由e 和模糊控制规则R 根据推理的合成规则进行模糊决策，得到模糊控制量u。
为了对被控对象施加精确的控制，还需要将模糊量u 转换为精确量，这一步
骤在图3-1中称为非模糊化处理。得到了精确的数字控制量后，经数模转换变为
精确的模拟量送给执行机构，对被控对象进行一步控制。然后，中断等待第： 二次采样，进行第二步控制。。.。。这样循环下去，就实现了被控对象的模糊控制。
模糊控制器的设计
模糊逻辑控制器（Fuzzy Control ler） 简称为模糊控制器（Fuzzy Logi c
Controller），因为模糊控制器的控制规则是基于模糊条件语句描述的语言控
制规则，所以模糊控制器又称为模糊语言控制器。模糊控制器的组成框图见图
它包括有： 输入量模糊化接口、数据库、规则库、推理机和输出解模糊
接口五个部分。
（1） 模糊化接口（Fuzzy Interface）模糊控制器的输入必须通过模糊化才
能用于控制输出的求解，因此实际上它是模糊控制器的输入接口。其主要作用是
将真实的确定量输入转换为一个模糊矢量。
数据库用来定义模糊控制器中语言控制规则和
（2） 数据库（Data Base，DB）数据库用来定义模糊控制器中语言控制规则和
模糊数据操作，它存储着有关模糊化、模糊推理、解模糊等相关知识。
（3） 规则库（Rule Base，RB）
规则库包含若干模糊控制规则。即以“if.。 then.。。”形式表示，对专家控制经验集成而形成的模糊条件语句。语言控制规则库通过一系列语言控制规则来表征控制目标和该领域专家的控制策略，它是根据被控系统的行为特性和专家的控制经验总结编写而成的。由规则库和数据库
这两部分组成整个模糊控制器的知识库（KB-Knowledge Base）。
（4） 推理与解模糊接口（Inference and Defuzzy-Interface）
推理是模糊控制器中，根据输入模糊量，由模糊控制规则完成模糊推理来求解模糊关系方程，并获得模糊控制量的功能部分。推理结果的获得，表示模糊控制规则推理功能已经完成。但是，所获得的结果仍是一个模糊矢量，不能直接用来作为控制量，还必须进行一次转换，求得清晰的控制量输出，即为解模糊。通常把输出端具有转换功能作用的部分称为解模糊接口。
二、部分代码
%% 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 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);
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 on
plot(yn,'b')
hold on
plot(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);
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;
end
end
% %-----------------------------------高家花园-----------------------------------
zssz=gjhy;
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;
end
szzbz2=mapminmax('reverse',szzb,outputps);
for i=1:m
if szzbz2(i)<=1.5
szpj2(i)=1;
elseif szzbz2(i)>1.5&&szzbz2(i)<=2.5
szpj2(i)=2;
elseif szzbz2(i)>2.5&&szzbz2(i)<=3.5
szpj2(i)=3;
elseif szzbz2(i)>3.5&&szzbz2(i)<=4.5
szpj2(i)=4;
else
szpj2(i)=5;
end
end
% %-----------------------------------大溪沟水厂-----------------------------------
zssz=dxg;
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;
end
szzbz3=mapminmax('reverse',szzb,outputps);
for i=1:m
if szzbz3(i)<=1.5
szpj3(i)=1;
elseif szzbz3(i)>1.5&&szzbz3(i)<=2.5
szpj3(i)=2;
elseif szzbz3(i)>2.5&&szzbz3(i)<=3.5
szpj3(i)=3;
elseif szzbz3(i)>3.5&&szzbz3(i)<=4.5
szpj3(i)=4;
else
szpj3(i)=5;
end
end
figure(3)
plot(szzbz1,'o-r')
hold on
plot(szzbz2,'*-g')
hold on
plot(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)
三、仿真结果
四、参考文献
[1]乔卫亮,刘阳,周群,马晓雪.基于模糊人工神经网络的安全风险评估模型[J].安全与环境学报,2021,21(04):1405-1411.
标签：p2,p3,p0,p1,p5,模糊,源码,matlab,水质评价 来源： https://www.cnblogs.com/matlabxiao/p/15229088.html