ANNforRF.zip

本内容为作者本科毕设代码中挑选的一个范例。其余功放或者其他神经网络模型构建都与之类似。压缩包中包含一个9040功放的非线性包络（CDMA2000）数据（.txt），以及对该数据建模的三个神经网络模型（BP神经网络；RBF神经网络；Elman神经网络）（.m）相关内容见作者博客：https://blog.csdn.net/ChijinLoujue/article/details/86564616 以及 https://blog.csdn.net/ChijinLoujue/article/details/80947900

%% 第一种神经网络：BP神经网络--幅度/相位模型
%% 清空环境变量
clc
clear
set（0‘defaultfigurecolor‘‘w‘）;
%% 训练数据预测数据提取
%下载输入输出数据
load（‘AMAM9040_1.txt‘）
load（‘PMPM9040_1.txt‘）
%将数据分类存储
A = AMAM9040_1（:2）;
P = PMPM9040_1（:2）;
T = AMAM9040_1（:1）;
T0 = T（1:300）‘;
Ain = A（1:300）;
Aout = A（301:600）;
Pin = P（1:300）;
Pout = P（301:600）;

%显示原始数据图形
plot（T0Ain）;
hold on
plot（T0Aout）;
title（‘9040\_原始时域输入输出幅度‘）
xlabel（‘时间/S‘）;
ylabel（‘幅度/V‘）;

grid on 
figure
plot（T0Pin）;
hold on
plot（T0Pout）;
title（‘9040\_原始时域输入输出相位‘）
xlabel（‘时间/S‘）;
ylabel（‘相位/角度‘）;
grid on 

Pin = Pin*pi/180;
Pout = Pout*pi/180;
for i = 1:300
    if Pout（i）<-0.81
        Pout（i）=Pout（i）+2*pi;
    end
end

figure
plot（AinAout‘r.‘）;
title（‘9040\_原始输入输出幅度关系‘）
xlabel（‘输入幅度/V‘）;
ylabel（‘输出幅度/V‘）;
legend（‘原数据‘‘预测数据‘）;
grid on 
figure
plot（PinPout‘r.‘）;
title（‘9040\_原始输入输出相位关系‘）
xlabel（‘输入相位/弧度‘）;
ylabel（‘输入相位/弧度‘）;
legend（‘输入相位‘‘输出相位‘）;
grid on 

Ain_train = Ain（1:200）‘;
Pin_train = Pin（1:200）‘;
Aout_train = Aout（1:200）‘;
Pout_train = Pout（1:200）‘;
Vinput_train = [Ain_train;Pin_train];
Voutput_train = [Aout_train;Pout_train];

Ain_test = Ain（201:300）‘;
Pin_test = Pin（201:300）‘;
Aout_test = Aout（201:300）‘;
Pout_test = Pout（201:300）‘;
Vinput_test = [Ain_test;Pin_test];
Voutput_test = [Aout_test;Pout_test];


%% BP网络训练
% %初始化网络结构
net=newff（Vinput_trainVoutput_train5）;

net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00004;

%网络训练
net=train（netVinput_trainVoutput_train）;
%netBPAP780_5挺好的
save（‘D:\Study\Graduation_project\Code\Mycode\netBPAP9040_1.mat‘‘net‘）;
%load   netBPAP9040   %net为已保存的网络
%% BP网络预测

%网络验证输出
BPoutput_train = sim（netVinput_train）;

%网络预测输出
BPoutput_test = sim（netVinput_test）;
% 预测输出整理
A_BPoutput_train = BPoutput_train（1:）;
P_BPoutput_train = BPoutput_train（2:）;
A_BPoutput_test = BPoutput_test（1:）;
P_BPoutput_test = BPoutput_test（2:）;
%% 结果分析
% 我们使用图像来看网络对非线性函数的拟合效果

figure
plot（Ain_trainAout_train‘r.‘）;
hold on
plot（Ain_trainA_BPoutput_train‘bo‘）;
title（‘9040\_BP网络验证输出幅度‘）
xlabel（‘Ainput‘）
ylabel（‘Aoutput‘）
grid on 

figure
plot（Pin_trainPout_train‘r.‘）;
hold on
plot（Pin_trainP_BPoutput_train‘bo‘）;
title（‘9040\_BP网络验证输出相位‘）
xlabel（‘Pinput‘）
ylabel（‘Poutput‘）
grid on 

figure
plot（Ain_testAout_test‘r.‘）;
hold on
plot（Ain_testA_BPoutput_test‘bo‘）;
title（‘9040\_BP网络预测输出幅度‘）
xlabel（‘Ainput/V‘）
ylabel（‘Aoutput/V‘）
legend（‘原数据‘‘预测数据‘）;
grid on 

figure
plot（Pin_testPout_test‘r.‘）;
hold on
plot（Pin_testP_BPoutput_test‘bo‘）;
title（‘9040\_BP网络预测输出相位‘）
xlabel（‘Pinput/rad‘）
ylabel（‘Poutput/rad‘）
legend（‘原数据‘‘预测数据‘）;
grid on 

%% 观察误差
A_BPerroproportion = abs（（A_BPoutput_test-Aout_test）./Aout_test）;
P_BPerroproportion = abs（（P_BPoutput_test-Pout_test）./Pout_test）;
A_BPnum1_10 =0;
P_BPnum1_10 =0;
for i = 1:100
    if A_BPerroproportion（i） <= 0.1
        A_BPnum1_10=A_BPnum1_10+1;
    end 
    if P_BPerropro

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       27660  2018-05-30 21:20  AMAM9040_1.txt
     文件        4061  2018-06-10 15:47  BP_AP_9040_1.m
     文件        3624  2018-06-10 17:09  Elman_AP_9040_1.m
     文件        9911  2018-06-10 16:01  netBPAP9040_1.mat
     文件         362  2018-05-29 20:44  NRMS.m
     文件       27917  2018-05-30 21:23  PMPM9040_1.txt
     文件        3308  2018-06-03 17:38  RBF_AP_9040_1.m
     文件      196329  2018-05-16 15:26  Rd_Nu.mat
     文件          51  2018-05-16 15:26  Rd_Num.m
     文件         750  2019-02-28 18:18  readme.txt
     文件         267  2018-05-29 20:43  RMSE.m