Всем привет,
Я пытаюсь создать код с помощью набора инструментов NN, способный предсказать в момент времени t + 2 содержание марганца в резервуаре, учитывая в качестве входных данных другие 7 переменных (среди них также Mn в момент времени t = 0).
Пока я жду гораздо больше данных, которые определенно улучшат производительность, я пытаюсь поиграть с несколькими вариантами через сеть, чтобы улучшить ее. Вы найдете код ниже:
_ inputs = Inputs7old';
targets = Mnt2old';
% Create a Fitting Network
hiddenLayerSize = 10;
FIT1 = fitnet(hiddenLayerSize);
FIT1.numLayers = 3;
FIT1.layers{2}.name='Hidden2';
FIT1.layers{3}.name='Output';
FIT1.layers{2}.dimensions=10;
FIT1.layers{3}.dimensions=1;
FIT1.inputConnect = [1; 0; 0];
FIT1.layerConnect = [0 0 0;1 0 0;1 1 0];
FIT1.outputConnect = [0 0 1];
% Choose Input and Output Pre/Post-Processing Functions
% For a list of all processing functions type: help nnprocess
FIT1.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
FIT1.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};
%Initilization Functions
FIT1.layers{1}.initFcn = 'initnw';
FIT1.layers{2}.initFcn = 'initnw';
FIT1.layers{3}.initFcn = 'initnw';
%Net Input Functions
FIT1.layers{1}.netInputFcn = 'netsum';
FIT1.layers{2}.netInputFcn = 'netsum';
FIT1.layers{3}.netInputFcn = 'netsum';
%Transfer functions
FIT1.layers{1}.transferFcn = 'satlin';
FIT1.layers{2}.transferFcn = 'purelin';
FIT1.layers{3}.transferFcn = 'purelin';
%Input Weights delays
FIT1.inputWeights{2,1}.delays=0;
FIT1.inputWeights{3,1}.delays=0;
%Input Weights learning
FIT1.inputWeights{1,1}.learn=1;
FIT1.inputWeights{2,1}.learn=1;
FIT1.inputWeights{3,1}.learn=1;
FIT1.inputWeights{1,1}.learnFcn='learncon';
FIT1.inputWeights{2,1}.learnFcn='learncon';
FIT1.inputWeights{3,1}.learnFcn='learncon';
%Layer Weight Functions
FIT1.layerWeights{1,2}.weightFcn='normprod';
FIT1.layerWeights{1,3}.weightFcn='normprod';
FIT1.layerWeights{2,3}.weightFcn='normprod';
;
%Layer Initialization Functions
%FIT1.layerWeights{1,2}.initFcn='initcon';
%FIT1.layerWeights{1,3}.weightFcn='normprod';
%FIT1.layerWeights{2,3}.weightFcn='normprod';
%view(FIT1)
% Setup Division of Data for Training, Validation, Testing
% For a list of all data division functions type: help nndivide
FIT1.divideFcn = 'dividerand'; % Divide data randomly
FIT1.divideMode = 'sample'; % Divide up every sample
FIT1.divideParam.trainRatio = 64/100;
FIT1.divideParam.testRatio = 16/100;
FIT1.divideParam.valRatio = 20/100;
% For help on training function 'trainlm' type: help trainlm
% For a list of all training functions type: help nntrain
FIT1.trainFcn = 'trainrp'; % Resilient Backpropagation
%FIT1.trainFcn = 'trainlm'; % Levenberg-Marquardt
%FIT1.trainFcn = 'trainscg'; % Scaled Conjugate Gradient
%FIT1.trainFcn = 'trainbr'; % Bayesian Regularization
%FIT1.trainFcn = 'traingdm'; % Gradient descent with momentum backpropagation
%FIT1.trainFcn = 'trainb'; % Batch training
%FIT1.trainFcn = 'trainbfg'; % BFGS quasi-Newton backpropagation
%FIT1.trainFcn = 'traincgb'; % Conjugate gradient backpropagation with Powell-Beale restarts
%FIT1.trainFcn = 'trainoss'; % One-step secant backpropagation
%FIT1.trainFcn = 'trainr'; % Random order incremental training with learning functions
%FIT1.trainFcn = 'trains'; % Sequential order incremental training with learning functions
%Training Parameters
FIT1.trainParam.epochs=1000;
FIT1.trainParam.time=Inf;
FIT1.trainParam.min_grad=0.00001;
FIT1.trainParam.max_fail=6;
FIT1.trainParam.delta0=0.07;
FIT1.trainParam.delta_inc=1.25;
FIT1.trainParam.delta_dec=0.5;
FIT1.trainParam.deltamax=50;
% Choose a Performance Function
% For a list of all performance functions type: help nnperformance
FIT1.performFcn = 'mse'; % Mean squared error
% Choose Plot Functions
% For a list of all plot functions type: help nnplot
FIT1.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...
'plotregression', 'plotfit'};
% Train the Network
[FIT1,tr] = train(FIT1,inputs,targets);
% Test the Network
outputs = FIT1(inputs);
%Outputs >0
for i=1:size(Mnt2old)
if outputs(1,i) <0
outputs(1,i)=0.001;
end
end
errors = gsubtract(targets,outputs);
performance = perform(FIT1,targets,outputs)
Rtr=corrcoef(outputs,Mnt2old);
R2tr=Rtr(1,2)^2
for i=1:max(size(errors))
errors2(1,i)=errors(1,i)^2;
end
RMSEtr= (mse(errors,outputs))^0.5;
MSEtr=(sum(errors2))/max(size(Mnt2old));
RMSEtr2=MSEtr^0.5;
old=max(size(Mnt2old));
Mtrain=mean(Mnt2old);
Mquadrerrtrain=RMSEtr/(max(size(Mnt2old))^(0.5));
EpctMquad=100*Mquadrerrtrain/Mtrain
Maritmerrtrain=mean(abs(errors));
EpctMaritm=100*Maritmerrtrain/Mtrain
EpctRMSE=100+RMSEtr/Mtrain
PeaksErrratioT=EpctRMSE/EpctMaritm
% Recalculate Training, Validation and Test Performance
trainTargets = targets .* tr.trainMask{1};
%valTargets = targets .* tr.valMask{1};
%testTargets = targets .* tr.testMask{1};
trainPerformance = perform(FIT1,trainTargets,outputs);
%valPerformance = perform(FF1,valTargets,outputs)
%testPerformance = perform(FF1,testTargets,outputs)
% View the Network
%view(FF1)
% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, plotfit(net,inputs,targets)
%figure, plotregression(targets,outputs)
%figure, ploterrhist(errors)
%Validation
Outputval=FIT1(Inputs72011');
for i=1:size(Mnt22011)
if Outputval(1,i) <0
Outputval(1,i)=0.001;
end
end
plot (Outputval,'r')
hold on
plot (Mnt22011,'g')
hold off
Rval = corrcoef(Outputval,Mnt22011);
R2val=Rval(1,2)^2
errval=(Outputval-Mnt22011');
for i=1:max(size(errval))
errval2(1,i)=errval(1,i)^2;
end
RMSEval= (mse(errval,Outputval))^0.5;
MSEval=(sum(errval2))/max(size(Mnt22011));
new=max(size(Mnt22011));
Mval=mean(Mnt22011);
Mquadrerrval=RMSEval/(max(size(Mnt22011))^(0.5));
EpcvMquad=100*Mquadrerrval/Mval
Maritmerrval=mean(abs(errval));
EpcvMaritm=100*Maritmerrval/Mval
EpcvRMSE=100*RMSEval/Mval
PeaksErrratioV=EpcvRMSE/EpcvMaritm_
По сути, на данный момент это просто базовый код, где я выделил все возможные доступные варианты. Данные, которые я использовал для обучения, — это данные за период 2000/2008, а затем я использую отдельный набор проверки, относящийся к шести месяцам 2011 года. В последней части я создал несколько индексов ошибок.
Я должен сказать, что я очень новичок в мире NN, поэтому, возможно, мне все еще не хватает некоторых теоретических концепций. Но методом проб и ошибок я уже пытался улучшить его несколькими способами (как вы можете видеть из выделенных мной вариантов) с плохими результатами; только изменяя алгоритм тренировки, я получал совершенно разные результаты, но обычно они сильно отличаются от тренировки к тренировке.. Я всегда получал совершенно разные графики. Будет ли достаточно, чтобы обучить его много раз и сохранить веса испытания, которое дало наименьшую ошибку?
Итак, учитывая, что в моем проверочном наборе, а также в моем тренировочном наборе, у меня очень низкая производительность (скажем, ошибка = +- 100%), и я не думаю, что смогу перейти к очень низким значениям (скажем, +-5 %) только при наличии большего количества данных, что я могу сделать с сетевой точки зрения, чтобы улучшить его? Я также попробовал многослойную сеть с прямой связью с аналогичными результатами и общую модель регрессии, которая дает очень плоские результаты (см. код ниже).
_ GRNN=newgrnn(Inputs7old’,Mnt2old’) ytr=GRNN(Inputs7old’); цифра 1 = график (ytr, 'g') задержка на графике 1 = график (Mnt2old, 'r') задержка Rtr = corrcoef (Mnt2old, ytr); msetr=mse(GRNN,Mnt2old,ytr’);
errors = gsubtract(Mnt2old',ytr);
R2tr=Rtr(1,2)^2
for i=1:max(size(errors))
errors2(1,i)=errors(1,i)^2;
end
RMSEtr= (mse(errors,ytr))^0.5;
MSEtr=(sum(errors2))/max(size(Mnt2old));
old=max(size(Mnt2old));
Mtrain=mean(Mnt2old);
Mquadrerrtrain=RMSEtr*(max(size(Mnt2old))^(-0.5));
EpctRMSE=100*RMSEtr/Mtrain
EpctMquad=100*Mquadrerrtrain/Mtrain
Maritmerrt=mean(abs(errors));
EpctMaritm=100*Maritmerrt/Mtrain
PeaksErrRatioT=EpctRMSE/EpctMaritm
yval=GRNN(Inputs72011');
figure2=plot(yval,'b');
hold on
plot(Mnt22011,'g')
hold off
Rval = corrcoef(yval,Mnt22011);
R2val=Rval(1,2)^2
errval=(yval-Mnt22011');
for i=1:max(size(errval))
errval2(1,i)=errval(1,i)^2;
end
RMSEval= (mse(errval,yval))^0.5;
MSEval=(sum(errval2))/max(size(Mnt22011));
new=max(size(Mnt22011));
Mval=mean(Mnt22011);
Merrvalquadr=RMSEval/(max(size(Mnt22011))^(0.5));
EpcvMquadr=100*Merrvalquadr/Mval;
Merrvalaritm=mean(abs(errval));
EpcvMaritm=100*Merrvalaritm/Mval
EpcvRMSE=100*RMSEval/Mval
PeaksErrRatioV=EpcvRMSE/EpcvMaritm_
ОТВЕЧАТЬ
Matlabsolutions.com предоставляет последнюю Помощь по домашним заданиям MatLab, Помощь по заданию MatLab для студентов, инженеров и исследователей в различных отраслях, таких как ECE, EEE, CSE, Mechanical, Civil со 100% выходом. Код Matlab для BE, B.Tech , ME, M.Tech, к.т.н. Ученые со 100% конфиденциальностью гарантированы. Получите проекты MATLAB с исходным кодом для обучения и исследований.
Кажется, вы тратите много времени и места на написание кода, который не нужен, потому что вы не полагаетесь на значения по умолчанию. Мой опыт показывает, что 1 скрытого слоя достаточно. Учитывая размер входной и целевой матриц ([ I N ] и [ ON ] соответственно), необходимо указать только
1. Количество входных и/или обратных задержек в прогнозировании временных рядов.
2. Кандидаты на количество скрытых узлов (например, H = 0:10)
3. Количество случайных инициализаций веса для каждого H-кандидата (например, Ntrials = 10).
4. Ненулевая цель обучения MSE для уменьшения переобучения. я одобряю
%net.trainParam.goal = 0,01*Ntrneq*var(T,0,2)/(Neq-Nw) ;
ПОПРАВКА:
net.trainParam.goal = 0,01*max(Ndof,0)*var(T,0,2)/Ntrneq
СМОТРИТЕ ПОЛНЫЙ ОТВЕТ НАЖМИТЕ НА ССЫЛКУ
