利用matlab分别对三边测量定位算法和改进算法进行仿真和验证

利用matlab分别对三边测量定位算法和改进算法进行仿真和验证
利用matlab分别对三边测量定位算法和改进算法进行仿真和验证

利用matlab分别对三边测量定位算法和改进算法进行仿真和验证

%% 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

    %% 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

    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');