clc

清除

％從三類k均值聚類結(jié)果的每一個中隨機(jī)選擇190行，以形成一個新的570 * 3矩陣，即訓(xùn)練樣本.

load（'data1.mat'）;

load（'data2.mat'）;

load（'data3.mat'）;

data = [data1; data2; data3];

%%

％第一類數(shù)據(jù)是80，是隨機(jī)選擇的過程

M1 = data1;

S1 =大小（M1,1）;

SampleRows1 = randperm（S1）;

SampleRows1 = SampleRows1（1:80）;

SampleM1 = M1（SampleRows1，: ）;

％第二種數(shù)據(jù)是110，是隨機(jī)選擇的過程

M2 = data2;

S2 = size（M2,1）;

SampleRows2 = randperm（S2）;

SampleRows2 = SampleRows2（1:80）;

SampleM2 = M2（SampleRows2，: ）;

％第三種數(shù)據(jù)是110，是隨機(jī)選擇的過程

M3 = data3;

S3 = size（M3,1）;

SampleRows3 = randperm（S3）;

SampleRows3 = SampleRows3（1:80）;

SampleM3 = M3（SampleRows3，: ）;

SampleM = [SampleM1; SampleM2; SampleM3];

％將重要性與前三列中的數(shù)據(jù)相匹配，并輸出所需的輸出.

％首先將隨機(jī)選擇的訓(xùn)練樣本分配給d，然后將d與dataa匹配. 更新后的d具有匹配的重要性，第四列.

d = SampleM；％訓(xùn)練樣本

%%

％將相應(yīng)的重要性添加到訓(xùn)練樣本中

load（'dataa.mat'）;

％匹配訓(xùn)練樣本的重要性值

aInb = ismember（d，dataa）;

[m，n] = size（aInb）;

[mdataa，ndataa] = size（dataa）;

d = [d dataa（1: m，n + 1: ndataa）];重要的訓(xùn)練樣本百分比

%%

％======非時間序列BP神經(jīng)網(wǎng)絡(luò)=====

％=======原始數(shù)據(jù)輸入========

多個備件矩陣的三個因素的百分比[年度故障次數(shù)單價購買提前期]

p = SampleM';％訓(xùn)練樣本，

％===========預(yù)期輸出=======

％與多個備件對應(yīng)的期望重要性輸出值，即匹配重要性后訓(xùn)練樣本的第四列值

t = d（: ，4）';

％===========測試數(shù)據(jù)=======

％從原始輸入數(shù)據(jù)中選擇一個零件，然后添加一些其他數(shù)據(jù)作為測試數(shù)據(jù)矩陣

%%

此處已修改％

％測試數(shù)據(jù)

ptest = dataa（:神經(jīng)網(wǎng)絡(luò)預(yù)測大量數(shù)據(jù)，1: 3）';

％test數(shù)據(jù)的預(yù)期輸出

ttest = dataa（: ，4）;

%%

％歸一化數(shù)據(jù)

[pn，minp，maxp，tn，mint，maxt] = premnmx（p神經(jīng)網(wǎng)絡(luò)預(yù)測大量數(shù)據(jù)，t）;％歸一化數(shù)據(jù)

％考慮到?jīng)]有太多數(shù)據(jù)，所以設(shè)置了兩個隱藏層

NodeNum1 = 10;％隱藏層第一層中的節(jié)點(diǎn)數(shù)

NodeNum2 = 10;％隱藏層第二層中的節(jié)點(diǎn)數(shù)

％輸出尺寸

TypeNum = 1;

每一層的％Transfer函數(shù)，TF3是輸出層的傳遞函數(shù)

TF1 ='tansig';

TF2 ='tansig';

TF3 ='tansig';

％創(chuàng)建四層BP神經(jīng)網(wǎng)絡(luò)

net = newff（minmax（pn），[NodeNum1，NodeNum2，TypeNum]，{TF1 TF2 TF3}，'traingdx'）;

％網(wǎng)絡(luò)創(chuàng)建人Tradingdx

net.trainParam.show = 50;％訓(xùn)練顯示間隔

net.trainParam.epochs = 60000; ％最大訓(xùn)練時間設(shè)置

net.trainParam.goal = 1e-5; ％最小均方誤差，即訓(xùn)練所需的精度

net.trainParam.lr = 0.01;％學(xué)習(xí)率

net = train（net，pn，tn）; ％train BP網(wǎng)絡(luò)

％測試數(shù)據(jù)的規(guī)范化

p2n = tramnmx（ptest，minp，maxp）;

％BP結(jié)果輸出

an = sim（net，p2n）;

％數(shù)據(jù)的非規(guī)格化，即您想要獲得的最終預(yù)測結(jié)果

[a] = postmnmx（an，mint，maxt）

%% ============================================= ======================

%%

％plot函數(shù)的輸出有問題，或者矩陣尺寸設(shè)置有問題

％aaaaaaaaaaaaaaaaaaaa ++++++++++++++++++++++++++++++++++++++++++++++++++++++++

％++++++++++++++++++++++++++++++++++++++++++++++++ ++ ++++++++++++++++++++++++++++

plot（1: length（ttest），a，'o'，1: length（ttest），ttest'，'. '）;

title（'o表示預(yù)測值--- *表示實(shí)際值'）

堅持

推遲

m = length（a）;向量a的％長度

t1 = ttest';

error = abs（t1-a）; ％錯誤向量

圖

plot（1: length（error），error，'-. '）

title（'錯誤更改圖'）

網(wǎng)格

本文來自本站，轉(zhuǎn)載請注明本文網(wǎng)址：
http://www.pc-fly.com/a/jisuanjixue/article-287220-1.html