人工智能/神经网络

开发平台：

Matlab

gabpfault.m：源码内容

							tic, %开始计时
% 首先进行遗传算法
[P,T,R,S1,S2,S]=nninit;
aa=ones(S,1)*[-1 1];
popu=30;
initPpp=initializega(popu,aa,'gabpEval');
gen=80; % 遗传代数
% 遗传计算
[x endPop bPop trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,...
  'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
% x The best found
% Lets take a look at the performance of the ga during the run
subplot(2,1,1)
plot(trace(:,1),1./trace(:,3),'r-')
hold on
plot(trace(:,1),1./trace(:,2),'b-')
xlabel('Generation');
ylabel('Sum-Squared Error');
subplot(2,1,2)
plot(trace(:,1),trace(:,3),'r-')
hold on
plot(trace(:,1),trace(:,2),'b-')
xlabel('Generation');
ylabel('Fittness');
% 下面进行BP算法
figure(2)
% 将遗传算法的结果分解为BP网络所对应的权值、阈值
[W1 B1 W2 B2 P T A1 A2 SE val]=gadecod(x);
% BP网络训练的参数设置
disp_fqre=100; max_epoch=3000;err_goal=0.002;lr=0.01;
 TP=[disp_fqre  max_epoch err_goal lr];
[W1,B1,W2,B2,te,tr]=trainbp(W1,B1,'tansig',W2,B2,'purelin',P,T,TP);
% 仿真结果
TT=simuff(P,W1,B1,'tansig',W2,B2,'purelin')
toc  % 结束计时

						