神经网络算法和GUI实现经典案例

1.神经网络典型算法

图7.38　适应度函数的迭代过程和最佳值点

在本书第6章中，已经对神经网络的基本原理进行了详细介绍，下面将给出典型神经网络拟合和预测的实例，利用实例可以帮助读者更好地理解神经网络原理，同时可以通过对网络结构的改变，建立适合实际项目的模型，并在Matlab中实现。

首先，给出基本神经网络曲线拟合的实现。

以上代码实现后，可以得到如图7.39、图7.40所示的结果，整个过程可以包含在.M文件中，在软件平台中进行调用。

图7.39　训练前的神经网络拟合效果

图7.40　训练后的神经网络拟合效果

下面再给出一个较复杂的典型神经网络预测程序，通过输入向量和目标向量的设定，对目标向量的第10列数据进行预测，通过与实际数据进行比较，得到了较好的预测结果。

上述代码运行后，可直接保存为.M文件，在软件平台中调用，也可直接在Matlab中运行，其结果如图7.41～图7.43所示。

图7.41为实际曲线和预测曲线的关系图，网络训练后得到的预测值为：predict＝[98.2727　122.9582　15.0638　33.1306　71.3694　13.5319　0.0399　2.0816　27.0945　0.8299　18.7869　12.9135　5.4795　26.4296　0.3882　41.7644　15.6737　1.0553　6.5416　6.8179　2.0443　7.0106　6.1158　4.2723　6.7584　3.1186　1.4850　24.0542　0.3556　646.2968　22.9110　1.4755　6.2147　153.5981　2.7190]，预测值之和与实际值之和的误差为158.3472；图7.42为实际数据与预测数据的误差曲线。从图7.43可以看出，当训练达到10次时，目标精度已经实现，达到了0.000541732，得到了较好的预测效果。

图7.41　实际曲线与预测曲线(www.xing528.com)

图7.42　实际数据与预测数据的误差曲线

图7.43　迭代次数与网络精度的关系曲线

以上是通过建立.M文件，利用神经网络基本原理来设计网络，除了利用这种方法进行优化、预测、仿真等操作之外，Matlab7.0还自带了神经网络GUI，用来更便捷地实现以上功能。

2.神经网络GUI实现

由于不同用户对Matlab的掌握程度不同，部分用户不能通过自己编码来实现需求函数，这样就不能通过Matlab实现其所要求的功能，为了完善这一点，本系统在Delphi与Matlab的接口已经实现的基础上，在Delphi的统一界面做出相应菜单，通过发生事件来实现神经网络工具GUI的调用。在Matlab命令行输入“nntool”命令，就可以调出如图7.44所示的神经网络GUI界面。

在图7.44中，已经建立了两个网络，network1、network2，其中network1定义为前向型的BP神经网络。用户也可以通过“New Network”按钮建立新的网络结构，点击进入后出现如图7.45所示的界面。

图7.44　神经网络GUI界面

图7.45　新的神经网络参数设置

用户可以按照自己的需求进行不同的网络参数设置，如进行训练函数类型、适应值函数类型、误差函数、隐含层数目、传递函数设置等。network1的网络结构可以通过“View”按钮来查看，点击后如图7.46所示。

图7.46　已创建的新神经网络结构

以上所述是一个简单神经网络的创建过程，用户也可以根据自己的需求建立更加复杂的结构，进行优化、预测、仿真等操作。

本节结合第6章内容对基本符号运算和绘图、时间序列预测、灰色预测、遗传算法典型算例和GUI、神经网络典型算法和GUI这几种主要的功能进行了介绍，这些算法都在Matlab得以实现，取得了较好的结果。在实际建模过程中，需要考虑风险元传递的影响，对模型进行改进和重新设计，使得部分模型计算结果与上述经典算法的结果有一些差异，这是正常的。为了使本软件的模型和算法具有通用性，以上主要对涉及到本项目研究内容的算法进行了介绍，对于一些新的智能算法如粒子群算法、蚁群算法、人工鱼群算法、微分进化算法、模拟退火、禁忌搜索等没有过多涉及，将在后续的软件扩展中，结合风险元传递理论与实际案例进行详细研究，以飨读者。