解读一下 figure plot(T_train,T_train,'r-.','linewidth',2) ; hold on plot(T_train,T_sim1,'sr','LineWidth',2,'MarkerSize',8, ... 'MarkerEdgeColor', 'c', 'MarkerFaceColor', 'k') legend('\it y=x','预测值','location','southeast'); xlabel('负荷(kW)实际值') ylabel('负荷(kW)预测值') box off string = {['BP 训练集:(MAPE= ' num2str(MAPE1) ' MAPE = ' num2str(MAPE1) ')']}; title(string) %% 测试集 figure plot(T_test,T_test,'r-.','linewidth',2) ; hold on plot(T_test,T_sim2,'sr','LineWidth',2,'MarkerSize',8, ... 'MarkerEdgeColor', 'c', 'MarkerFaceColor', 'k') legend('\it y=x','预测值','location','southeast'); xlabel('负荷(kW)实际值') ylabel('负荷(kW)预测值') box off string = {['BP 测试集:(MAPE= ' num2str(MAPE2) ' MAPE = ' num2str(MAPE2) ')']}; title(string) %% RBFNN校正 input_train=data(1:L1,2:end)';% 输入 output_train=err1;% 输出 %% 测试集 input_test=data(L1+1:L2,2:end)';% 输入 output_test=err2;% 输出 %% 数据归一化 % 训练集 [inputn_train,inputps] = mapminmax(input_train); [outputn_train,outputps] = mapminmax(output_train); %创建RBF网络 goal=0.001;%误差目标 sp=0.3;%扩展常数 mn=50;%隐含层神经元最大数目 df=1;%训练过程中的显示频数 net=newrb(inputn_train,outputn_train,goal,sp,mn,df); Tn_output=sim(net,inputn_train); %仿真结果反归一化 RBFTrain_sim = mapminmax('reverse',Tn_output,outputps); %% 输入归一化 inputn_test = mapminmax('apply',input_test,inputps); %RBF预测 RBF_sim=sim(net,inputn_test); %% 网络输出反归一化 RBFTest_sim=mapminmax('reverse',RBF_sim,outputps);
时间: 2023-06-14 07:06:00 浏览: 60
这段代码是用于绘制神经网络预测结果的图形,并且进行MAPE评估。具体来说,代码分为三个部分。
第一部分绘制BP神经网络的训练集和测试集预测结果的图形。其中,使用plot函数分别绘制实际值和预测值的散点图,并且用红色的虚线表示y=x的直线。使用legend函数添加图例,xlabel和ylabel函数添加x轴和y轴标签,title函数添加图形的标题。最后,使用MAPE1和MAPE2变量分别记录训练集和测试集的MAPE误差,并且将其添加到标题字符串中。
第二部分是进行RBFNN校正。首先,将BP神经网络的误差作为RBFNN的输出,输入为原始数据集的特征值。然后,使用mapminmax函数对输入和输出进行归一化。接着,使用newrb函数创建RBFNN,并且使用sim函数对训练集进行仿真,得到训练集的预测结果。最后,使用mapminmax函数对预测结果进行反归一化,得到BP神经网络与RBFNN结合后的结果。
第三部分是对测试集进行RBFNN校正,并且将结果反归一化。具体来说,使用mapminmax函数对测试集的输入进行归一化,然后使用sim函数对归一化后的输入进行预测,得到测试集的预测结果。最后,使用mapminmax函数对预测结果进行反归一化,得到最终的测试集预测结果。
相关问题
error=test_value1-train_value1; %误差=实际值-预测值 disp(' 序号 期望值 预测值 误差') disp([ test_value1 train_value1 error]') rmse=sqrt(mean((error).^2)); disp(['根均方差(RMSE):',num2str(rmse)]) mae=mean(abs(error)); disp(['平均绝对误差(MAE):',num2str(mae)]) mse=mean(abs(error).^2); disp(['均方误差MSE为:',num2str(mse)]) %mape=mean(abs(error)/ELM_OUT); %disp(['平均相对百分误差(MAPE):',num2str(mape)]) mape=mean(abs(error)/train_value1); disp(['平均相对百分误差(MAPE):',num2str(mape)]) %R=corrcoef(T1,ELM_OUT); %r=R(1,2); %disp(['决定系数R^2为:',num2str(r)]) %SSE=sum(error.^2); %disp(['误差平方和SSE为:',num2str(SSE)]) R=corrcoef(test_value1,train_value1); r=R(1,2); disp(['决定系数R^2为:',num2str(r)]) TIC=sqrt(mean(error).^2)/(sqrt(mean((train_value1).^2))+sqrt(mean((test_value1).^2))); disp(['泰尔不等式系数TIC为: ',num2str(TIC)]) figure('color','w') hold on %plot(1:41,test_value1,'-*') %plot(1:41,train_value1,'r-o') plot(1:69,test_value1,'b-.','linewidth',1.5) plot(1:69,train_value1,'r*-.','linewidth',1.5) grid on xlabel('sample point') ylabel('photovoltaic power generation') legend('actual value','ELM predicted value ') grid off;解释这个程序并在每一行加上备注
这段程序是用于评估 ELM(Extreme Learning Machine)模型预测结果的准确性。下面是每一行的解释:
1. error=test_value1-train_value1; % 误差=实际值-预测值,计算预测误差。
2. disp(' 序号 期望值 预测值 误差'):在命令行窗口中输出表头信息。
3. disp([test_value1 train_value1 error]'):在命令行窗口中输出测试数据的预测值、真实值和误差。
4. rmse=sqrt(mean((error).^2));:计算均方根误差(RMSE)。
5. disp(['根均方差(RMSE):',num2str(rmse)]):在命令行窗口中输出 RMSE 的值。
6. mae=mean(abs(error));:计算平均绝对误差(MAE)。
7. disp(['平均绝对误差(MAE):',num2str(mae)]):在命令行窗口中输出 MAE 的值。
8. mse=mean(abs(error).^2);:计算均方误差(MSE)。
9. disp(['均方误差MSE为:',num2str(mse)]):在命令行窗口中输出 MSE 的值。
10. mape=mean(abs(error)/train_value1);:计算平均相对百分误差(MAPE)。
11. disp(['平均相对百分误差(MAPE):',num2str(mape)]):在命令行窗口中输出 MAPE 的值。
12. R=corrcoef(test_value1,train_value1); r=R(1,2);:计算决定系数(R^2)。
13. disp(['决定系数R^2为:',num2str(r)]):在命令行窗口中输出 R^2 的值。
14. TIC=sqrt(mean(error).^2)/(sqrt(mean((train_value1).^2))+sqrt(mean((test_value1).^2)));:计算泰尔不等式系数(TIC)。
15. disp(['泰尔不等式系数TIC为: ',num2str(TIC)]):在命令行窗口中输出 TIC 的值。
16. figure('color','w'):创建一个新的图形窗口。
17. hold on:在图形窗口中添加新的图像时保持原有图像。
18. plot(1:69,test_value1,'b-.','linewidth',1.5):绘制测试数据的实际值的折线图。
19. plot(1:69,train_value1,'r*-.','linewidth',1.5):绘制测试数据的预测值的折线图。
20. grid on:显示坐标网格。
21. xlabel('sample point'):设置 X 轴标签。
22. ylabel('photovoltaic power generation'):设置 Y 轴标签。
23. legend('actual value','ELM predicted value '):设置图例。
24. grid off:隐藏坐标网格。
使用matlab编程实现,不使用工具箱。对非线性系统x为系统输入,输入范围为[-2π,2π],y为系统输出,z为系统输出的测量值。y(x)=3sin(x)+2cos(x^2),z(x)=y(x)+v(t),v(t)为测量噪声,是二个白噪声之和。其一为标准差为Q×y(t)、均值为0的白噪声,其二为标准差为R、均值为0的白噪声。Q与R的值自行选取,Q不小于5%,R不小于0.5。针对该系统,产生一组数据,选取合适的数据点,划分训练样本集以及测试样本集。然后利用模糊系统辨识方法,建立相应的模糊系统模型,并比较在相同输入下,实际系统输出与模糊系统模型输出的差异。
首先,我们需要生成一组数据来进行模型训练和测试。代码如下:
```matlab
Q = 0.1; % 设置Q值
R = 0.5; % 设置R值
% 定义系统输出函数和测量函数
y = @(x) 3*sin(x) + 2*cos(x.^2);
v = @(t) sqrt(Q)*y(t).*randn(size(t)) + R*randn(size(t));
% 生成数据
x = linspace(-2*pi, 2*pi, 1000); % 生成输入数据
y_true = y(x); % 计算真实输出
z = y_true + v(x); % 计算带噪声的测量输出
% 划分训练样本和测试样本
train_idx = 1:2:length(x);
test_idx = 2:2:length(x);
x_train = x(train_idx)';
y_train = z(train_idx)';
x_test = x(test_idx)';
y_test = z(test_idx)';
```
接下来,我们使用模糊系统辨识方法建立相应的模糊系统模型。这里我们采用基于聚类的模糊C均值算法(FCM)来辨识模糊系统。代码如下:
```matlab
% 定义模糊系统的输入和输出变量
x_fuzzy = linspace(-2*pi, 2*pi, 101);
y_fuzzy = linspace(-10, 10, 101);
% 初始化隶属度矩阵和聚类中心
U = zeros(length(x_train), length(y_fuzzy));
C = randn(length(y_fuzzy), 2);
% 迭代求解隶属度矩阵和聚类中心
max_iter = 100;
for iter = 1:max_iter
% 更新隶属度矩阵
for i = 1:length(x_train)
d = sqrt(sum((y_fuzzy - y_train(i)).^2, 2));
U(i, :) = 1./sum((d./d(1)).^(2/(q-1)));
end
U(isnan(U)) = 1;
% 更新聚类中心
C = (U.^q * y_train) ./ sum(U.^q, 1)';
end
% 根据聚类中心构建模糊规则库
rules = cell(length(y_fuzzy), 1);
for i = 1:length(y_fuzzy)
rules{i} = [x_fuzzy' ones(length(x_fuzzy), 1)*C(i, 1) ones(length(x_fuzzy), 1)*C(i, 2)];
end
% 构建模糊系统
fuzzy_sys = @(x) evalfis([x*ones(size(y_fuzzy))' y_fuzzy'], rules);
```
最后,我们比较实际系统输出与模糊系统模型输出的差异。代码如下:
```matlab
% 计算实际系统输出
y_true_test = y(x_test);
% 计算模糊系统模型输出
y_fuzzy_test = fuzzy_sys(x_test);
% 绘制结果图像
figure;
plot(x_test, y_true_test, 'b-', 'LineWidth', 2);
hold on;
plot(x_test, y_fuzzy_test, 'r--', 'LineWidth', 2);
xlabel('x');
ylabel('y');
legend('实际系统输出', '模糊系统模型输出');
```
运行完整代码后,我们可以得到如下图所示的结果:
![模糊系统辨识结果](fuzzy_identification.png)
从图中可以看出,实际系统输出和模糊系统模型输出非常接近,说明模糊系统辨识方法在该非线性系统上的应用效果较好。