4.2nnToolKit函数库?例4-11 演示遗传算法优化小波神经网络后逼近非线性。 b(1,j,n)=b(1,j,n-1)+bincrease(1,j); endend%网络误差曲线tocplot(MSE(4:N+2)/Q); title('遗传算法优化后的误差')figure(3)plot(T,'r')hold on plot(y,'g*');title('遗传算法优化后Wnn的输出')4.2nnToolKit函数库
?Wnndemo?功能基于小波神经网络的1-D插值示例程序。?格式retstr = Wnndemo ()。?说明程序运行前需将ch3\\小波网络工具箱及遗传算法工具箱加入到MATLAB的搜索路径中(方法:File?Set Path,增加目录到MATLAB的搜索路径,然后保存)。4.2nnToolKit函数库?基于小波神经网络的1-D插值示例程序function retstr = wnndemo()NNTWARN OFFretstr=-1;% 训练数据% 输入x = (-1:.05:1)';% 输出y = (-2.186 * x - 1.2864) .* (x < -0.2) ... + 4.246 * x .* ((x >= -0.2) & (x < 0)) ...4.3 应用举例
?4.3.1 基于LM神经网络的房地产开发风险预测模型?1.案例描述
?房地产开发存在风险,其影响因素(输入)主要包括:1)通货膨胀风险:可分为升高、不变、降低。2)市场低供求风险,可分为供大求、平衡、供小求。3)周期风险,可分为第一阶段、第二阶段、第三阶段、第四阶段。4)利率风险,可分为提高、不变、降低。5)政策风险,可分为有利、无新政策、不利开发。6)区位风险,可分为升值、不变、降值。7)开发期风险,可分为较长、正常、缩短。开发风险(输出)可分为5类:无风险、风险较低、一般风险、风险较高、风险很高,为了能对开发风险进行有效地评估和预测,在此拟建立神经网络预测模型,实现对房地产开发风险的预测。4.3.1 基于LM神经网络的房地产开发风险预测模型?数据结点类别结点名称通货膨胀风险结点描述升高不变降低转换0.80.50.2供大于求市场低供求风险输入平衡供小于求第一阶段第二阶段第三阶段第四阶段提高利率风险不变0.30.60.80.10.30.60.80.20.5周期风险降低0.9