%% 清空环境变量
clc
clear
load data
%% 数据累加作为网络输入
[n,m]=size(X)
for i=1:n
y(i,1)=sum(X(1:i,1))
y(i,2)=sum(X(1:i,2))
y(i,3)=sum(X(1:i,3))
y(i,4)=sum(X(1:i,4))
y(i,5)=sum(X(1:i,5))
y(i,6)=sum(X(1:i,6))
end
%% 网络参数毁州初始化
a=0.3+rand(1)/4
b1=0.3+rand(1)/4
b2=0.3+rand(1)/4
b3=0.3+rand(1)/4
b4=0.3+rand(1)/4
b5=0.3+rand(1)/4
%% 学习速率初始化
u1=0.0015
u2=0.0015
u3=0.0015
u4=0.0015
u5=0.0015
%% 权值阀值初始化
t=1
w11=a
w21=-y(1,1)
w22=2*b1/a
w23=2*b2/a
w24=2*b3/a
w25=2*b4/a
w26=2*b5/a
w31=1+exp(-a*t)
w32=1+exp(-a*t)
w33=1+exp(-a*t)
w34=1+exp(-a*t)
w35=1+exp(-a*t)
w36=1+exp(-a*t)
theta=(1+exp(-a*t))*(b1*y(1,2)/a+b2*y(1,3)/a+b3*y(1,4)/a+b4*y(1,5)/a+b5*y(1,6)/a-y(1,1))
kk=1
%% 循环迭代
for j=1:10
%循环迭代
E(j)=0
for i=1:30
%% 销余慎网络输出计算
t=i
LB_b=1/(1+exp(-w11*t)) %LB层输出
LC_c1=LB_b*w21 %LC层输出
LC_c2=y(i,2)*LB_b*w22 %LC层输出
LC_c3=y(i,3)*LB_b*w23 %LC层输出
LC_c4=y(i,4)*LB_b*w24 %LC层输出
LC_c5=y(i,5)*LB_b*w25 %LC层输出
LC_c6=y(i,6)*LB_b*w26 %LC层输出
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6 %LD层输出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1)) %阀值
ym=LD_d-theta %网络输出值亏敬
yc(i)=ym
%% 权值修正
error=ym-y(i,1) %计算误差
E(j)=E(j)+abs(error) %误差求和
error1=error*(1+exp(-w11*t)) %计算误差
error2=error*(1+exp(-w11*t)) %计算误差
error3=error*(1+exp(-w11*t))
error4=error*(1+exp(-w11*t))
error5=error*(1+exp(-w11*t))
error6=error*(1+exp(-w11*t))
error7=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*(w21*error1+w22*error2+w23*error3+w24*error4+w25*error5+w26*error6)
%修改权值
w22=w22-u1*error2*LB_b
w23=w23-u2*error3*LB_b
w24=w24-u3*error4*LB_b
w25=w25-u4*error5*LB_b
w26=w26-u5*error6*LB_b
w11=w11+a*t*error7
end
end
%画误差随进化次数变化趋势
figure(1)
plot(E)
title('训练误差','fontsize',12)
xlabel('进化次数','fontsize',12)
ylabel('误差','fontsize',12)
%print -dtiff -r600 28-3
%根据训出的灰色神经网络进行预测
for i=31:36
t=i
LB_b=1/(1+exp(-w11*t)) %LB层输出
LC_c1=LB_b*w21 %LC层输出
LC_c2=y(i,2)*LB_b*w22 %LC层输出
LC_c3=y(i,3)*LB_b*w23 %LC层输出
LC_c4=y(i,4)*LB_b*w24 %LC层输出
LC_c5=y(i,5)*LB_b*w25
LC_c6=y(i,6)*LB_b*w26
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6 %LD层输出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1)) %阀值
ym=LD_d-theta %网络输出值
yc(i)=ym
end
yc=yc*100000
y(:,1)=y(:,1)*10000
%计算预测的每月需求量
for j=36:-1:2
ys(j)=(yc(j)-yc(j-1))/10
end
figure(2)
plot(ys(31:36),'-*')
hold on
plot(X(31:36,1)*10000,'r:o')
n为路径损耗指数,与周围的环境有关XΣ是标准差为Σ的正态随机变量d0是参考距离,在室内环境中通常取1 mPL(d0)为晌亏参考位置的信号强度。假设有n个AP,m个参考标宴升神签,则AP点接收到的待定标签的强度量P=(AP1,AP2,…,APn),采集到的第笑纳t个参考标签的强度矢量为St=(St1,St2,…,Stn)
超声波技术超声波定位目前大多数采用反射式测距法。系统由一个主测距器和若干个电子标签组成,主测距器可放置于移动机器人本体上,各个电子标签放置于室内空间的固定位置。定位过饥薯程如下:先由上位机发送同频率的信号给各个电子标签,电子标签接收到后又反射传输给主测距器,从而可以确定各个电子标签到主测距器之间的距离,并得到定位坐标。
红外线技术
红外线是一种波长间于无线电尺喊波和可见光波之间的电磁波。典型的红外线室内定位系统Activebadges使待测物体附上一个电子标识,该标识通过红外发射机向室内固定放置的红外接收机周期发送该待测物唯一ID,接收机再通过有线网络将数据传输给数据库。这个定位技术功耗较大且常常会受到室内墙体或物体的阻隔,实用性较低。
超宽带技术
超宽带技术是近年来新兴的一项无线技术,目前,包括美国,日本,加拿大等在内的国家都在研究这项技术,在无线室内定位领域具有良好的前景。UWB技术是一种传输速率高(最高可达1000Mbps以上),发射功率较低,穿透能力较强并且是基于极窄脉冲的无线技术,无载波。正是这些优点,使它在室内定位领域得到了较陵肢野为精确的结果。
射频识别技术
射频定位技术实现起来非常方便,而且系统受环境的干扰较小,电子标签信息可以编辑改写比较灵活。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)