1 簡介

1 模糊小波神經(jīng)網(wǎng)絡(luò)原理為了加強網(wǎng)絡(luò)的自學習能力以及快速的適應(yīng)戰(zhàn)場環(huán)境變化，實現(xiàn)對目標威脅進行精確評估，將小波神經(jīng)網(wǎng)絡(luò)嵌入模糊模型的后件部分形成模糊小波神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖 2所示：前三層已在之前提到，第四層改為小波函數(shù)層，選擇 Gaussian 函數(shù)的一階偏導數(shù) φ(x) = x ·exp(?0.5x2) 作為母小波函數(shù)，該函數(shù)具有較好的擬合性能，根據(jù)所選母小波，經(jīng)過伸縮平移變換放入第二層的神經(jīng)元中作為激活函數(shù)，可以表示為

模糊小波神經(jīng)網(wǎng)絡(luò)的參數(shù)在網(wǎng)絡(luò)訓練的過程需要進行自動更新和調(diào)整，這里使用梯度下降法對網(wǎng)絡(luò)參數(shù)進行更新參數(shù) c、t、d、w 的操作，為了獲得良好的預測效果，最終會選擇這些參數(shù)的最優(yōu)值作為預測部份的參數(shù)值。

2 部分代碼

%FWNN 腳本文件，作為主程序使用% 清理工作close allclear% 關(guān)鍵變量d = 5; % 用于輸入的寬度m = d; % 輸入信號的個數(shù)n = 5; % 關(guān)系函數(shù)的個數(shù)，模糊判斷的個數(shù)，小波函數(shù)的個數(shù)epoch = 2000; % 迭代次數(shù)num_yangben = 49; % 數(shù)據(jù)個數(shù)num_test = 12;rate = 0.08; % 學習速率mom = 0.5; % 沖量 % 產(chǎn)生試驗數(shù)據(jù)data = indata();%result = plant(data);result = data(:,d+1);% TESTfile_yangben = '測試集.dat';fid = fopen(file_yangben);%u = fread(fid,[size_input_x,size_input_y],'float');u_test = dlmread(file_yangben,',');fclose(fid);% 隨機初始化各個參數(shù)于（0，1）c = rand(m, n);q = rand(m, n); % 注意：不能為零a = rand(n, m);b = rand(n, m);w = rand(1, n);% t-1迭代的參數(shù)值pc = c;pq = q;pa = a;pb = b;pw = w;% t+1迭代的參數(shù)值nc = zeros(m, n);nq = zeros(m, n);na = zeros(n, m);nb = zeros(n, m);nw = zeros(1, n);% 用于畫圖的數(shù)據(jù)tu = zeros(epoch, num_yangben);E = zeros(epoch, num_yangben);%endtoc % 結(jié)束計時，并顯示時間figure(1)% 圖形顯示統(tǒng)計信息k = 1 : 1 : num_yangben;ttu = tu(epoch, :);plot(k, result, '-', k, ttu, '-r')legend('樣本集結(jié)果', '樣本集預測值')title('訓練結(jié)果');xlabel('樣本');ylabel('優(yōu)先級');%%============================================================'%%測試%%===========================================================for loop2 = 1 : 1 : num_test ? ? ? ?% 初始化中間數(shù)據(jù) ? ? ? ?x = zeros(1, m); ? ? ? ?g = zeros(m, n); ? ? ? ?U = zeros(1, n); ? ? ? ?p = zeros(1, n); ? ? ? ?W = zeros(1, n); ? ? ? ?%y = zeros(1, n); ? ? ? ?% 給輸入節(jié)點賦值 ? ? ? ?for i = 1 : 1 : d ? ? ? ? ? ?x(i) = u_test(loop2,i); ? ? ? ?end ? ? ? ?%for i = 1 : 1 : d ? ? ? ? ? % x(m + 1 - i) = result(loop2 - i); ? ? ? ?%end ? ? ? ?% 計算第二層節(jié)點的輸出值 ? ? ? ?for i = 1 : 1 : m ? ? ? ? ? ?for j = 1 : 1 : n ? ? ? ? ? ? ? ?g(i, j) = relation(x(i), c(i, j), q(i, j)); ? ? ? ? ? ?end ? ? ? ?end ? ? ? ?% 計算第三層節(jié)點的輸出，同時記錄第三層節(jié)點的選擇信息 ? ? ? ?for i = 1 : 1 : n ? ? ? ? ? ?[min, which] = fuzzy(g, m, i); ? ? ? ? ? ?U(i) = min; ? ? ? ? ? ?p(i) = which; ? ? ? ?end ? ? ? ?% 計算第四層節(jié)點的輸出 ? ? ? ?for i = 1 : 1 : n ? ? ? ? ? ?for j = 1 : 1 : m ? ? ? ? ? ? ? ?W(i) = W(i) + wavelet(x(j), a(i, j), b(i, j)); ? ? ? ? ? ?end ? ? ? ?end ? ? ? ?y = w .* W; ? ? ? ?% 計算最終的輸出 ? ? ? ?result_test(loop2) = defuzz(U, y, n);endfigure(2)% 圖形顯示測試信息k = 1 : 1 : num_test;plot(k, u_test(:,6), 'g',k, result_test, 'r')legend('測試集結(jié)果', '測試集預測值')title('測試結(jié)果');xlabel('樣本');ylabel('優(yōu)先級');

3 仿真結(jié)果

4 參考文獻

[1]陳俠, & 劉子龍. (2018). 基于模糊小波神經(jīng)網(wǎng)絡(luò)的空中目標威脅評估. 戰(zhàn)術(shù)導彈技術(shù)(3), 7.

博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領(lǐng)域的Matlab仿真，相關(guān)matlab代碼問題可私信交流。

部分理論引用網(wǎng)絡(luò)文獻，若有侵權(quán)聯(lián)系博主刪除。