效果
用训练好的模糊神经网络对机械故障进行诊断,根据网络的预测值得到机械的技术状态。预测值小于 1.5 时为正常状态,预测值在 1.5~2.5 之间时为曲轴轴承轻微异响,预测值在 2.5~3.5 之间时为曲轴轴承严重异响预测值在 3.5~4.5 之间时为连杆轴承轻微异响,预测值大于 4.5 时为连杆轴承严重异响。
y是真实标签，yt是预测标签
模糊神经网络代码
clear all; %下载数据 load data_fnn; %网络结构 I=9; %输入节点 M=18; %隐含节点 O=1; %输出节点 maxgen=10000; %迭代次数 xite=0.07; %网络学习率 a0=0.3; b0=0.6; Ek=1e-15; %误差 %初始化模糊神经网络参数 p0=a0*ones(M,1);p0_1=p0; p1=a0*ones(M,1);p1_1=p1; p2=a0*ones(M,1);p2_1=p2; p3=a0*ones(M,1);p3_1=p3; p4=a0*ones(M,1);p4_1=p4; p5=a0*ones(M,1);p5_1=p5; p6=a0*ones(M,1);p6_1=p6; p7=a0*ones(M,1);p7_1=p7; p8=a0*ones(M,1);p8_1=p8; p9=a0*ones(M,1);p9_1=p9; %初始化模糊隶属度参数 c=0.8+b0*rands(M,I);c_1=c; b=0.8+b0*rands(M,I);b_1=b; %训练数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); %----------------------------------------用训练样本训练模糊神经网络-------------------------------------------- [n,m]=size(input_train); EE=100; p=1; while p<=maxgen && EE>=Ek for k=1:m %m 样本个数 %提取训练样本 x=inputn(:,k); %输入参数模糊化 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i)); end end %模糊隶属度计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i)*u(7,i)*u(8,i)*u(9,i); end addw=sum(w); %输出计算 for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6)+p7_1(i)*x(7)+p8_1(i)*x(8)+p9_1(i)*x(9); end addyw=0; addyw=yi*w'; yn(k)=addyw/addw; e(k)=outputn(k)-yn(k); %系数p修正值计算 d_p=zeros(M,1); for i=1:M d_p(i)=xite*e(k)*w(i)/addw; end %系数b修正值计算 d_b=0*b; for i=1:M for j=1:I d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2); end end %c的修正值计算 d_c=0*c; for i=1:M for j=1:I d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2); end end %系数修正 p0_1=p0_1+d_p; p1_1=p1_1+d_p*x(1); p2_1=p2_1+d_p*x(2); p3_1=p3_1+d_p*x(3); p4_1=p4_1+d_p*x(4); p5_1=p5_1+d_p*x(5); p6_1=p6_1+d_p*x(6); p7_1=p7_1+d_p*x(7); p8_1=p8_1+d_p*x(8); p9_1=p9_1+d_p*x(9); %隶属度参数修正 b=b+d_b; c=c+d_c; end for k=1:m %m 样本个数 %提取训练样本 x=inputn(:,k); %输入参数模糊化 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i)); end end %模糊隶属度计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i)*u(7,i)*u(8,i)*u(9,i); end addw=sum(w); %输出计算 for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6)+p7_1(i)*x(7)+p8_1(i)*x(8)+p9_1(i)*x(9); end addyw=0; addyw=yi*w'; yn(k)=addyw/addw; end EE=(1/2)*sumsqr(outputn-yn) E(p)=EE; p=p+1; end EE,p y=mapminmax('reverse',yn,outputps) epoch=1:size(E,2); figure plot(epoch,E,'-r'); title('误差变化曲线');xlabel('步数');ylabel('误差'); %----------------------------------------------测试样本网络预测----------------------------------------- %输入数据归一化 inputn_test=mapminmax('apply',input_test,inputps); [n,m]=size(input_test); %网络预测 for k=1:1:m x=inputn_test(:,k); %输入参数模糊化 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i)); end end %模糊隶属度计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i)*u(7,i)*u(8,i)*u(9,i); end addw=sum(w); %输出计算 for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6)+p7_1(i)*x(7)+p8_1(i)*x(8)+p9_1(i)*x(9); end addyw=0; addyw=yi*w'; %网络预测值 ytn(k)=addyw/addw; end %预测值反归一化 yt=mapminmax('reverse',ytn,outputps) #代码：https://mbd.pub/o/bread/mbd-ZJyTmZZw
