求matlab大神帮帮忙，做模糊神经网络预测

用matlabR2014a软件，可以进行BP模糊神经网络预测。现以人口预测为例说明其实现过程：

% 清空环境变量

clc,clf,close all

% x为原始序列

t=1990:2009 %年份

x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128] %某地区人口数，要预测2010-2016年的某地区人口数。

t=1:length(x)

lag=2 

fn=length(t)

[f_out,iinput]=BP(x,lag,fn)%调用神经网络函数

[x' iinput']

R2=corrcoef(x,iinput)

%预测年份或某一时间段

t1=length(x)+1:length(x)+7

%预升昌告测步数为fn

fn=length(t1) 

[f_out,iinput]=BP(x,lag,fn)

P=vpa(f_out,5)

t=1990:2009

t1=2010:2016

[t1' P']

% 画出预测图

figure(6),plot(t,x,'b*-'),hold on

plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on

title('BP神经网络预测某地区人口数','fontsize',12)

xlabel('年份'),ylabel('吵明人口数')

legend('1990-2009年人口迅数变化数','2010-2016年人口预测数')

function [center, U, obj_fcn] = FCMClust(data, cluster_n, options)

% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类

%

% 用法：

% 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options)

% 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster)

%

% 输入：宏握

% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% N_cluster ---- 标量,表示聚合中心数目,即类别数

% options ---- 4x1矩阵，其中

% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)

% options(2): 最大迭代次数 (缺省值: 100)

% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)

% options(4): 每次迭代是否输出信息标志(缺省值: 1)

% 输出：

% center ---- 聚类中心

% U ---- 隶属度矩阵

% obj_fcn ---- 目标函数值

% Example:

% data = rand(100,2)

% [center,U,obj_fcn] = FCMClust(data,2)

% plot(data(:,1), data(:,2),'o')

% hold on

% maxU = max(U)

% index1 = find(U(1,:) == maxU)

% index2 = find(U(2,:) == maxU)

% line(data(index1,1),data(index1,2),'marker','*','color'高山,'g')

% line(data(index2,1),data(index2,2),'marker','*','color','r')

% plot([center([1 2],1)],[center([1 2],2)],'*','color','k')

% hold off

if nargin ~= 2 &nargin ~= 3,%判断输入参数个数只能是2个或3个

error('Too many or too few input arguments!')

end

data_n = size(data, 1)% 求出data的第一维(rows)数,即样本个数

in_n = size(data, 2) % 求出data的第二维(columns)数，即特征值长度

% 默认 *** 作参数

default_options = [2% 隶属度矩阵U的指数

100 % 最大迭代次数

1e-5 % 隶蔽念庆属度最小变化量,迭代终止条件

1]% 每次迭代是否输出信息标志

if nargin == 2,

options = default_options

else %分析有options做参数时候的情况

% 如果输入参数个数是二那么就调用默认的option

if length(options) <4, %如果用户给的opition数少于4个那么其他用默认值

tmp = default_options

tmp(1:length(options)) = options

options = tmp

end

% 返回options中是数的值为0(如NaN),不是数时为1

nan_index = find(isnan(options)==1)

%将denfault_options中对应位置的参数赋值给options中不是数的位置.

options(nan_index) = default_options(nan_index)

if options(1) <= 1, %如果模糊矩阵的指数小于等于1

error('The exponent should be greater than 1!')

end

end

%将options 中的分量分别赋值给四个变量

expo = options(1) % 隶属度矩阵U的指数

max_iter = options(2) % 最大迭代次数

min_impro = options(3) % 隶属度最小变化量,迭代终止条件

display = options(4) % 每次迭代是否输出信息标志

obj_fcn = zeros(max_iter, 1)% 初始化输出参数obj_fcn

U = initfcm(cluster_n, data_n)% 初始化模糊分配矩阵,使U满足列上相加为1,

% Main loop 主要循环

for i = 1:max_iter,

%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值

[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo)

if display,

fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i))

end

% 终止条件判别

if i >1,

if abs(obj_fcn(i) - obj_fcn(i-1)) <min_impro,

break

end,

end

end

iter_n = i% 实际迭代次数

obj_fcn(iter_n+1:max_iter) = []

% 子函数

function U = initfcm(cluster_n, data_n)

% 初始化fcm的隶属度函数矩阵

% 输入:

% cluster_n ---- 聚类中心个数

% data_n ---- 样本点数

% 输出：

% U ---- 初始化的隶属度矩阵

U = rand(cluster_n, data_n)

col_sum = sum(U)

U = U./col_sum(ones(cluster_n, 1), :)

% 子函数

function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)

% 模糊C均值聚类时迭代的一步

% 输入：

% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% U ---- 隶属度矩阵

% cluster_n ---- 标量,表示聚合中心数目,即类别数

% expo---- 隶属度矩阵U的指数

% 输出：

% U_new ---- 迭代计算出的新的隶属度矩阵

% center ---- 迭代计算出的新的聚类中心

% obj_fcn ---- 目标函数值

mf = U.^expo % 隶属度矩阵进行指数运算结果

center = mf*data./((ones(size(data, 2), 1)*sum(mf'))')% 新聚类中心(5.4)式

dist = distfcm(center, data) % 计算距离矩阵

obj_fcn = sum(sum((dist.^2).*mf)) % 计算目标函数值 (5.1)式

tmp = dist.^(-2/(expo-1))

U_new = tmp./(ones(cluster_n, 1)*sum(tmp)) % 计算新的隶属度矩阵 (5.3)式

% 子函数

function out = distfcm(center, data)

% 计算样本点距离聚类中心的距离

% 输入：

% center ---- 聚类中心

% data ---- 样本点

% 输出：

% out---- 距离

out = zeros(size(center, 1), size(data, 1))

for k = 1:size(center, 1), % 对每一个聚类中心

% 每一次循环求得所有样本点到一个聚类中心的距离

out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1))

end

---