用MATLAB做的模糊神经网络代码

您好是这样的：

经过训练后的参数比较差，用原数据输入训练好的网络，得出结果和要的结果误差很大，不明白是怎么回事？

还有要是多输入多输出这段程序该怎么改？模糊神经网络可以用matlab工具箱实现吗？

还有输入数据差别比较大（就是大小差异大）是不是要进行归一化再学习训练呢？

求解求解答！

对于你的帮助不胜感激！

clearall

clc

closeall

tic,

%[x,y]=data;

x=[12345678;

-1-2-3-4-5-6-7-8];

y=[23456789];%%%%%--数据显示，输入为－两输入，输出为－单输出。--------样本为p2组

[p1,p2]=size(x);

%隶属度函数个数

k=7;

%初始化四个隶属度函数的参数A,B及输出层初始权值W

fori=1:p1;

forj=1:k;

m(i,j)=1+0.6*rand(1);

b(i,j)=1+0.6*rand(1);

end

end

forj=1:k*k;

w(j)=1+rand(1);

end

%%%---推理计算输出值

forq=1:p2;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隶属度参数对输入样本X累计计算

%选用高斯函数作为隶属度，求隶属度，共size(x,2)+k个。x(1)K个，x(2)K个

fori=1:p1;

forj=1:k;

u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

end

end

%模糊推理计算：a21,a22.几个隶属度函数，得出几个值，此处已知输入为2

%%%%----由以前的取小做法改为相乘—prod(x,1)orprod(x,2)———

v=[];

fori=1:k

forj=1:k

v=[v,u(1,i)*u(2,j)];

end

end

%归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值

fori=1:length(v);

v1(i)=v(i)/sum(v);

end

%系统输出

%out1(q)=w*v';

%e(q)=(y(q)-out1(q));

%end

%out=out1

out1(q)=w*v1';

e(q)=y(q)-out1(q);

end

out=out1;

%－三。参数修正过程。增加方式非批处理方式迭代

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%－－－－－－－－---------------------误差反向传播过程－－－-----------------------------------------

%取误差函数：E＝(1/2)*sumsqr(t-y)

E=(1/2)*sumsqr(y-out);

EE=E;

%e=sum(y-out)

lr=0.3;%c2=zeros(2,2);

%%%%----------------------------------------误差反传后的参数修正过程-------------------

r=1;%

p=1;

s=1000;%

%e(r)=y(r)-out(r);

whilep0.05

%%%%%%%%%%%%%_____隶属度参数M.B输出层权值参数W的修正过程_____%%%%%%%%%%%%

%%1.--W

wc=zeros(1,k*k);

fori=1:k*k;

wc(i)=-lr*e(r)*v1(i);

end

%%2.--M

mc=zeros(p1,k);

fori=1:p1;

forj=1:k;

mc(i,j)=2*lr*e(r)*w(j)*(v(j)/u(i,j))*exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))*(x(i,r)-m(i,j))/(b(i,j).^2);

end

end

%%3.--B

bc=zeros(p1,k);

fori=1:p1;

forj=1:k;

bc(i,j)=2*lr*e(r)*w(j)*(v(j)/u(i,j))*exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))*((x(i,r)-m(i,j)).^2)/(b(i,j).^3);

end

end

%4.参数修正mbw

m=m-mc;

b=b-bc;

w=w-wc;

%%%%%%%%%%%_______利用修正后的参数重新计算_____________%%%%%%%%%%%%%%%%%%%%%

%5.利用修正过的参数重新计算输出

forq=1:p2;

fori=1:p1;

forj=1:k;

u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

end

end

v=[];

fori=1:7

forj=1:7

v=[v,u(1,i)*u(2,j)];

end

end

%归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值

fori=1:length(v)

v1(i)=v(i)/sum(v);

end

out1(q)=w*v1';

end

out=out1;

p=p+1;

EE=(1/2)*sumsqr(y-out);

E(p)=EE;

r=r+1;

ifr>p2

r=1;

end

e(r)=(y(r)-out(r));

end

%%%%%%%%%%%%%%%%%%%________________当误差或迭代步数满足要求后得到结果_________________%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

m,b,w,E_out=EE,e

epoch=1:size(E,2);

figure

plot(epoch,E,'-r');

%plot(epoch,out(1),'b');

%axis([01.5*smin(E)max(E)]);

%set(gca,'fontsize',8);

%set(gca,'xtick',0:s/10:1.5*s);

%set(gca,'ytick',1e-30:1e5:1e5);

%set(gcf,'color','b')

title('误差变化曲线');xlabel('步数');ylabel('误差');

toc

%%%%泛化过程