목차
전체 코드 및 데이터 다운로드 링크: MATLAB의 RBF를 기반으로 한 공조 에너지 소비 예측_Fuzzy 공조 MATLAB 리소스-CSDN 라이브러리 https://download.csdn.net/download/abc991835105/87833598 RBF
의 세부 원리
RBF의 정의
RBF 이론
은 오류입니다. - 자주 묻는 질문 RBF 적용 사례, RBF 코드 결과 분석 전망을
바탕으로 공조 전력 예측
RBF의 세부 원칙
RBF의 정의
RBF(Radial Basis Function) 방법은 1985년 Powell이 제안했습니다. 소위 방사형 기저 함수는 실제로 방사형 방향을 따라 대칭인 스칼라 함수입니다. 이는 일반적으로 공간의 임의 점 x와 특정 중심 c 사이의 유클리드 거리의 단조 함수로 정의되며, 이는 k(||xc||)로 기록될 수 있습니다. 그 효과는 종종 지역적입니다. 즉, x가 c에서 멀리 떨어져 있으면 함수는 매우 작은 값을 갖습니다. 예를 들어, 가우스 방사형 기준 함수는 다음과 같습니다.
RBF 이론
RBF 신경망 알고리즘은 3층 구조로 구성되며, 은닉층에 대한 입력층은 비선형 공간변환이며, 일반적으로 방사형 기저함수의 가우시안 함수를 연산에 사용하며, 은닉층에서 출력까지 레이어는 선형 공간 변환, 즉 행렬과 행렬 사이의 변환입니다.
RBF 신경망의 원리는 RBF를 은닉 유닛의 "기본"으로 사용하여 은닉 계층 공간을 형성함으로써 가중치 연결 없이 입력 벡터를 은닉 공간에 직접 매핑할 수 있다는 것입니다. RBF의 중심점이 결정되면 이 매핑 관계도 결정된다.
RBF는 피드포워드 신경망인데, 이는 지속적으로 가중치를 조정하여 최소 오차에 접근하지 않는다는 의미이며, 여기함수는 일반적으로 가우시안 함수로 BP의 S자형 함수와는 다르다.가우시안 함수는 가중치 입력과 함수의 중심점 사이의 거리를 기준으로 계산됩니다.
간단히 말해서, RBF 신경망은 실제로 활성화 기능과 적용 방향이 다른 피드포워드 네트워크입니다.
RBF 적용 사례
RBF를 기반으로 한 에어컨 전력 예측을 위한 MATLAB 코드
%% I. 환경 변수 지우기
clcclear close all %% II.훈련 세트/테스트 세트 생성 %% load maydata.mat num(15,61)=13285;
m =45; n = randperm(length(num)) ; input_train=num(n,1:60)';%훈련 데이터의 입력 데이터 output_train=num(n,61)';%훈련 데이터의 출력 데이터 input_test=num((1:end),1:60)' ; %테스트 데이터의 입력 데이터 output_test=num((1:end),61)'; %테스트 데이터의 출력 데이터
%선택된 연속 샘플에 대한 입력 및 출력 데이터 정규화
[inputn_test,inputps]=mapminmax(input_test,-1,1);%훈련 데이터에 대한 입력 데이터 정규화
% [inputn,inputps]=mapminmax(input_train,0,1 ) ;%훈련 데이터의 입력 데이터 정규화
% inputn_test=mapminmax('apply',input_test,inputps);
inputn=mapminmax('apply',input_train,inputps);
[outputn,outputps]=mapminmax(output_train,0,1);% 훈련 데이터의 출력 데이터 정규화
%% III.RBF 신경망 생성 및 시뮬레이션 테스트
%%
% 1. 네트워크 생성
net=newrb(inputn,outputn,0.0001,5,60);
% net.trainFcn='trainrp';
%%
% inputn_test=mapminmax(' apply',input_test,inputps);
test_output1=sim(net,inputn_test); %$테스트 데이터 생성
test_output=mapminmax('reverse',test_output1,outputps);
%% IV. 성능 평가
그림(1)
플롯(output_test(1) ) ,:),'r-o');%예상 데이터, 즉 실제 데이터 플로팅 - 구현을 나타내며, 이는 플롯 에 보유되는 대표 식별자 입니다 (test_output(1,:),'b-*'); %예측 데이터, 즉 rbf에 의해 시뮬레이션된 데이터 도면 - 구현을 나타내며 대표적인 표시가 됩니다 . legend('실제 데이터','예측 출력')% label title('RBF 신경망','fontsize ',12)% title 글꼴 크기는 12입니다. ylabel('오늘의 에너지 소비량','fontsize',12)%Y축 xlabel('Date','fontsize',12)%X축
set(gca,'XTick',[1 5:5:25])
set(gca,'XTickLabel',{'9.15','9.20','9.25','10.1','10.6','10.11'} )
Figure(2)
plot(output_test(1,:)-test_output(1,:),'k-*');%예상 데이터, 즉 실제 데이터 도면, - 대표 식별인 구현을 나타 냅니다 .
title('RBF 신경망','fontsize',12)%제목 글꼴 크기는 12입니다.
ylabel('Error','fontsize',12)%Y축
xlabel('Date','fontsize',12)% X축
set(gca,'XTick',[1 5:5:25])
set(gca,'XTickLabel',{'9.15','9.20','9.25','10.1','10.6','10.11'} )
%
% net1.b{1}
% net1.iw{1,1}
% net1.b{2}
% net1.lw{2,1}
렌더링
결과 분석
렌더링으로 볼 때 RBF는 공조 전력을 예측하고 효과가 비교적 좋습니다.
확장하다
개선이 필요한 경우 QR 코드를 스캔하여 문의해 주세요.