复杂网络模型的matlab实现

function [DeD,aver_DeD]=Degree_Distribution(A)

%% 求网络图中各节点的度及度的分布曲线

%% 求解算法：求解每个节点的度，再按发生频率即为概率，求P(k)

%A————————网络图的邻接矩阵

%DeD————————网络图各节点的度分布

%aver_DeD———————网络图的平均度

N=size(A,2);

DeD=zeros(1,N);

for i=1:N

% DeD(i)=length(find((A(i,:)==1)));

DeD(i)=sum(A(i,:));

end

aver_DeD=mean(DeD);

if sum(DeD)==0

disp('该网络图只是由一些孤立点组成');

return;

else

figure;

bar([1:N],DeD);

xlabel('节点编号n');

ylabel('各节点的度数K');

title('网络图中各节点的度的大小分布图');

end

figure;

M=max(DeD);

for i=1:M+1; %网络图中节点的度数最大为M,但要同时考虑到度为0的节点的存在性

N_DeD(i)=length(find(DeD==i-1));

% DeD=[2 2 2 2 2 2]

end

P_DeD=zeros(1,M+1);

P_DeD(:)=N_DeD(:)./sum(N_DeD);

bar([0:M],P_DeD,'r');

xlabel('节点的度 K');

ylabel('节点度为K的概率 P(K)');

title('网络图中节点度的概率分布图');

平均路径长度

function [D,aver_D]=Aver_Path_Length(A)

%% 求复杂网络中两节点的距离以及平均路径长度

%% 求解算法：首先利用Floyd算法求解出任意两节点的距离，再求距离的平均值得平均路

% A————————网络图的邻接矩阵

% D————————返回值：网络图的距离矩阵

% aver_D———————返回值：网络图的平均路径长度

N=size(A,2);

D=A;

D(find(D==0))=inf; %将邻接矩阵变为邻接距离矩阵，两点无边相连时赋值为inf，自身到自身的距离为0.

for i=1:N

D(i,i)=0;

end

for k=1:N %Floyd算法求解任意两点的最短距离

for i=1:N

for j=1:N

if D(i,j)>D(i,k)+D(k,j)

D(i,j)=D(i,k)+D(k,j);

end

end

end

end

aver_D=sum(sum(D))/(N*(N-1)) %平均路径长度

if aver_D==inf

disp('该网络图不是连通图');

end

%% 算法2：用时间量级O(MN)的广度优先算法求解一个含N个节点和M条边的网络图的平均路径长度

聚类系数

function [C,aver_C]=Clustering_Coefficient(A)

%% 求网络图中各节点的聚类系数及整个网络的聚类系数

%% 求解算法：求解每个节点的聚类系数，找某节点的所有邻居，这些邻居节点构成一个子图

%% 从A中抽出该子图的邻接矩阵，计算子图的边数，再根据聚类系数的定义，即可算出该节点的聚类系数

%A————————网络图的邻接矩阵

%C————————网络图各节点的聚类系数

%aver———————整个网络图的聚类系数

N=size(A,2);

C=zeros(1,N);

for i=1:N

aa=find(A(i,:)==1); %寻找子图的邻居节点

if isempty(aa)

disp(['节点',int2str(i),'为孤立节点，其聚类系数赋值为0']);

C(i)=0;

else

m=length(aa);

if m==1

disp(['节点',int2str(i),'只有一个邻居节点，其聚类系数赋值为0']);

C(i)=0;

else

B=A(aa,aa) % 抽取子图的邻接矩阵

C(i)=length(find(B==1))/(m*(m-1));

end

end

end

aver_C=mean(C)

(完整版)BP神经网络matlab实例(简单而经典).doc

p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始数据归一化 net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx'); %设置网络,建立相应的BP 网络net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM 算法训练BP 网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); anew=postmnmx(anewn,mint,maxt); %对 BP 网络进行仿真%还原数据 y=anew'; 1、 BP 网络构建 （1）生成 BP 网络 net newff ( PR,[ S1 S2...SNl],{ TF1 TF 2...TFNl }, BTF , BLF , PF ) PR ：由R 维的输入样本最小最大值构成的R 2 维矩阵。 [ S1 S2...SNl] ：各层的神经元个数。 {TF 1 TF 2...TFNl } ：各层的神经元传递函数。 BTF ：训练用函数的名称。 （2）网络训练 [ net,tr ,Y, E, Pf , Af ] train (net, P, T , Pi , Ai ,VV , TV ) （3）网络仿真 [Y, Pf , Af , E, perf ] sim(net, P, Pi , Ai ,T ) {'tansig','purelin'},'trainrp' BP 网络的训练函数 训练方法 梯度下降法 有动量的梯度下降法 自适应 lr 梯度下降法 自适应 lr 动量梯度下降法弹性梯度下降法训练函数traingd traingdm traingda traingdx trainrp Fletcher-Reeves 共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgp

神经网络建模及Matlab中重要的BP网络函数

神经网络建模及Matlab中重要的BP网络函数一、神经组织的基本特征 1．细胞体是一个基本的初等信号处理器，轴突是信号的输出通路，树突是信号的输入通路。信号从一个神经细胞经过突触传递到另一个细胞。 2．不同的神经元之间有不同的作用强度，称为联接强度。当某细胞收到信号时，它的电位发生变化，如果电位超过某一阈值时，该细胞处于激发态，否则处于抑制状态。 3．两神经元之间的联接强度随其激发与抑制行为相关性的时间平均值正比变化，也就是说神经元之间的联接强度不是一成不变的。这就是生物学上的Hebb律。

∑t j ij t S w )(二、人工神经元的M-P 模型（McCulloch 、Pitts,1943） 1．构造一个模拟生物神经组织的人工神经网络的三要素： （1）．对单个神经元给出定义； （2）．定义网络结构：决定神经元数量及连接方式； （3）．给出一种方法，决定神经元之间的联接强度。 2．M-P 模型 其中，t 表示时间 S i (t)表示第i 个神经元在t 时刻的状态，S i (t)=1表示处于激发态，S i (t)=0表示处于抑制态 w ij 表示第j 个神经元到第i 个神经元的联接强度，称之为权，可正可负 表示第i 个神经元在t 时刻所接收到的所有信号的线性迭加。 μi 表示神经元i 的阈值, 可以在模型中增加一个S k (t)=1神经元k ，并且w ik =-μi ,则阈值可归并到和号中去。 注： 1．M-P 神经元虽然简单，但可以完成任何计算。 2．神经元的状态可以取[0，1]中的连续值，如用以下函数代替θ(x): ???<≥=-=+∑0 0011x x x t S w t S i j j ij i )() )(()(θμθ

交通流中的nasch模型及matlab代码元胞自动机

元胞自动机NaSch模型及其MATLAB代码 作业要求 根据前面的介绍，对NaSch模型编程并进行数值模拟： ●模型参数取值：Lroad=1000，p=0.3，Vmax=5。 ●边界条件：周期性边界。 ●数据统计：扔掉前50000个时间步，对后50000个时间步进行统计,需给出的 结果。 ●基本图（流量-密度关系）：需整个密度范围内的。 ●时空图（横坐标为空间，纵坐标为时间，密度和文献中时空图保持一致, 画 500个时间步即可）。 ●指出NaSch模型的创新之处，找出NaSch模型的不足，并给出自己的改进思 路。 ●流量计算方法： 密度＝车辆数/路长； 流量flux=density×V_ave。 在道路的某处设置虚拟探测计算统计时间T内通过的车辆数N； 流量flux=N/T。 ●在计算过程中可都使用无量纲的变量。 1、NaSch模型的介绍 作为对184号规则的推广，Nagel和Schreckberg在1992年提出了一个模拟车辆交通的元胞自动机模型，即NaSch模型（也有人称它为NaSch模型）。 ●时间、空间和车辆速度都被整数离散化。

● 道路被划分为等距离的离散的格子，即元胞。 ● 每个元胞或者是空的，或者被一辆车所占据。 ● 车辆的速度可以在（0～Vmax ）之间取值。 2、NaSch 模型运行规则 在时刻t 到时刻t+1的过程中按照下面的规则进行更新： （1）加速：),1min(max v v v n n +→ 规则（1）反映了司机倾向于以尽可能大的速度行驶的特点。 （2）减速：),min(n n n d v v → 规则(2)确保车辆不会与前车发生碰撞。 （3）随机慢化： 以随机概率p 进行慢化，令：)0, 1-min(n n v v → 规则(3)引入随机慢化来体现驾驶员的行为差异，这样既可以反映随机加速行为， 又可以反映减速过程中的过度反应行为。这一规则也是堵塞自发产生的至关重要因素。 （4）位置更新：n n n v x v +→ ，车辆按照更新后的速度向前运动。 其中n v ，n x 分别表示第n 辆车位置和速度；l （l ≥1）为车辆长度； 11--=+n n n x x d 表示n 车和前车n+1之间空的元胞数；p 表示随机慢化概率；max v 为最大速度。 3、NaSch 模型实例 根据题目要求，模型参数取值：L=1000，p=0.3，Vmax=5，用matlab 软件进行编程，扔掉前11000个时间步，统计了之后500个时间步数据，得到如下基本图和时空图。 3.1程序简介 初始化：在路段上，随机分配200个车辆，且随机速度为1-5之间。 图3.1.1是程序的运行图，图3.1.2中，白色表示有车，黑色是元胞。

Matlab实验报告五(微分方程求解Euler折线法)-推荐下载

数学与信息科学系实验报告 实验名称微分方程求解 所属课程数学软件与实验 实验类型综合型实验 专业信息与计算科学 班级 学号姓名指导教师 吊 顶 到 位 。 连 接 管 半 径 标 式 ， 为备 ， 查 所 有 试 卷 设 备 进 电 保 护 试 卷 ； 对 整 置 技 术 限 度 内 卷 破 避 免 错 中 资 料

一、实验概述 【实验目的】 熟悉在Matlab 环境下求解常微分方程组和偏微分方程组的方法，掌握利用Matlab 软件进行常微分方程组和偏微分方程组的求解。 【实验原理】 1.dsolve(‘equ1’,’equ2’,...):matlab 求微分方程的解析解。 2.simplify(s):对表达式S 使用MAPLE 的化简规则进行化简。 3.[x,y]=dslove(‘方程1’，‘方程2’，...‘初始条件1’‘初始条件2’,..’自变量’)：用字符串方程表示，自变量缺省值为t. 4.ezplot(x,y,[tmin,tmax]):符号函数的作图命令。【实验环境】 MatlabR2010b 二、实验内容 问题1. 求微分方程组在初始条件下的解，并 00dx x y dt dy x y dt ?++=????+-=??00|1,|0t t x y ====[0,0.5]t ∈画出函数的图像. ()y f x =1.分析问题 本题是根据初始条件求微分方程组的特解，并根据t 的范围画出函数的图形。 2.问题求解 syms x y t [x,y]=dsolve('Dx+x+y=0','Dy+x-y=0','x(0)=1','y(0)=0','t')x=simple(x)y=simple(y) ezplot(x,y,[0,0.5]);axis auto 3.结果 x = exp(2^(1/2)*t)/2 + 1/(2*exp(2^(1/2)*t)) - (2^(1/2)*exp(2^(1/2)*t))/4 + 2^(1/2)/(4*exp(2^(1/2)*t)) y = 2^(1/2)/(4*exp(2^(1/2)*t)) - (2^(1/2)*exp(2^(1/2)*t))/4 x = cosh(2^(1/2)*t) - (2^(1/2)*sinh(2^(1/2)*t))/2 、管路敷设技术通过管线不仅可以解决吊顶层配置不规范高中资料试卷问题，而且可保障各类管路习题到位。在管路敷设过程中，要加强看护关于管路高中资料试卷连接管口处理高中资料试卷弯扁度固定盒位置保护层防腐跨接地线弯曲半径标高等，要求技术交底。管线敷设技术包含线槽、管架等多项方式，为解决高中语文电气课件中管壁薄、接口不严等问题，合理利用管线敷设技术。线缆敷设原则：在分线盒处，当不同电压回路交叉时，应采用金属隔板进行隔开处理；同一线槽内，强电回路须同时切断习题电源，线缆敷设完毕，要进行检查和检测处理。、电气课件中调试对全部高中资料试卷电气设备，在安装过程中以及安装结束后进行 高中资料试卷调整试验；通电检查所有设备高中资料试卷相互作用与相互关系，根据生产工艺高中资料试卷要求，对电气设备进行空载与带负荷下高中资料试卷调控试验；对设备进行调整使其在正常工况下与过度工作下都可以正常工作；对于继电保护进行整核对定值，审核与校对图纸，编写复杂设备与装置高中资料试卷调试方案，编写重要设备高中资料试卷试验方案以及系统启动方案；对整套启动过程中高中资料试卷电气设备进行调试工作并且进行过关运行高中资料试卷技术指导。对于调试过程中高中资料试卷技术问题，作为调试人员，需要在事前掌握图纸资料、设备制造厂家出具高中资料试卷试验报告与相关技术资料，并且了解现场设备高中资料试卷布置情况与有关高中资料试卷电气系统接线等情况，然后根据规范与规程规定，制定设备调试高中资料试卷方案。 、电气设备调试高中资料试卷技术电力保护装置调试技术，电力保护高中资料试卷配置技术是指机组在进行继电保护高中资料试卷总体配置时，需要在最大限度内来确保机组高中资料试卷安全，并且尽可能地缩小故障高中资料试卷破坏范围，或者对某些异常高中资料试卷工况进行自动处理，尤其要避免错误高中资料试卷保护装置动作，并且拒绝动作，来避免不必要高中资料试卷突然停机。因此，电力高中资料试卷保护装置调试技术，要求电力保护装置做到准确灵活。对于差动保护装置高中资料试卷调试技术是指发电机一变压器组在发生内部故障时，需要进行外部电源高中资料试卷切除从而采用高中资料试卷主要保护装置。

无标度网络模型构造

课题：无标度网络模型构造 姓名赵训 学号201026811130 班级实验班1001

一、源起 无标度网络（或称无尺度网络）的概念是随着对复杂网络的研究而出现的。 “网络”其实就是数学中图论研究的图，由一群顶点以及它们之间所连的边构成。在网络理论中则换一套说法，用“节点”代替“顶点”，用“连结”代替“边”。复杂网络的概念，是用来描述由大量节点以及这些节点之间错综复杂的联系所构成的网络。这样的网络会出现在简单网络中没有的特殊拓扑特性。 自二十世纪60年代开始，对复杂网络的研究主要集中在随机网络上。随机网络，又称随机图，是指通过随机过程制造出的复杂网络。最典型的随机网络是保罗·埃尔德什和阿尔弗雷德·雷尼提出的ER模型。ER模型是基于一种“自然”的构造方法：假设有个节点，并假设每对节点之间相连的 可能性都是常数。这样构造出的网络就是ER模型网络。科学家们最初使用这种模型来解释现实生活中的网络。 ER模型随机网络有一个重要特性，就是虽然节点之间的连接是随机形成的，但最后产生的网络的度分布是高度平等的。度分布是指节点的度的分布情况。在网络中，每个节点都与另外某些节点相连，这种连接的数目叫做这个节点的度。在网络中随机抽取一个节点，它的度是多少呢？这个概率分布就称为节点的度分布。 在一般的随机网络（如ER模型）中，大部分的节点的度都集中在某个特殊值附近，成钟形的泊松分布规律（见下图）。偏离这个特定值的概率呈指数性下降，远大于或远小于这个值的可能都是微乎其微的，就如一座城市中成年居民的身高大致的分布一样。然而在1998年，Albert-László Barab ási、Réka Albert等人合作进行一项描绘万维网的研究时，发现通过超链接与网页、文件所构成的万维网网络并不是如一般的随机网络一样，有着均匀的度分布。他们发现，万维网是由少数高连接性的页面串联起来的。 绝大多数（超过80%）的网页只有不超过4个超链接，但极少数页面（不到总页面数的万分之一）却拥有极多的链接，超过1000个，有一份文件甚至与超过200万个其他页面相连。与居民身高的例子作类比的话，就是说大多数的节点都是“矮个子”，而却又有极少数的身高百丈的“巨人”。Barab ási等人将其称为“无标度”网络。

欧拉法matlab程序

法 function [x,y]=naeuler(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 y(n+1)=y(n)+h*feval(dyfun,x(n),y(n)); end x=x';y=y'; x1=0::1;y1=(1+2*x1).^; plot(x,y,x1,y1) >> dyfun=inline('y-2*x/y'); [x,y]=naeuler(dyfun,[0,1],1,;[x,y] ans = 2.隐式Euler法 function [x,y]=naeulerb(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 y(n+1)=iter(dyfun,x(n+1),y(n),h); end x=x';y=y'; x1=0::1;y1=(1+2*x1).^; plot(x,y,x1,y1) function y=iter(dyfun,x,y,h) y0=y;e=1e-4;K=1e+4; y=y+h*feval(dyfun,x,y); y1=y+2*e;k=1; while abs(y-y1)>e y1=y; y=y0+h*feval(dyfun,x,y); k=k+1; if k>K error('迭代发散'); end end >> dyfun=inline('y-2*x/y');

[x,y]=naeulerb(dyfun,[0,1],1,;[x,y] ans = 3.改进Euler法 function [x,y]=naeuler2(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 k1=feval(dyfun,x(n),y(n)); y(n+1)=y(n)+h*k1; k2=feval(dyfun,x(n+1),y(n+1)); y(n+1)=y(n)+h*(k1+k2)/2; end x=x';y=y'; x1=0::1;y1=(1+2*x1).^; plot(x,y,x1,y1) >> dyfun=inline('y-2*x/y'); [x,y]=naeuler2(dyfun,[0,1],1,;[x,y] ans =

无标度网络matlab建模

复杂系统无标度网络研究与建模 XXX 南京信息工程大学XXXX系，南京 210044 摘要：21世纪是复杂性的世界，基于还原论的世界观与方法论已经无法满足当前人们对作为一个整体系统的自然界和人类社会的认识和研究，利用系统科学的方法对科学重新审视已近变为迫切的需要。现实生活中众多复杂网络都具有无标度性，这种无标度网络的增长性和择优连接性很好的解释了富者越富的“马太效应”。对无标度网络的深入研究，让人们深刻的认识到其在Internet、地震网、病毒传播和社会财富分布网中的理论与现实意义。本文通过对复杂网络中的无标度网络的分析与研究，介绍了无标度网络区别于一般随机网络的特性与现实意义，并利用了Matlab生成了一个无标度网络。 关键词：无标度网络，幂律特性，模型建立 1 引言 任何一种网络都可以看作是由一些节点按某种方式连接在一起而构成的一个系统，曾经关于网络结构的研究常常着眼于包含几十个到几百个节点的网络，而近几年关于复杂网络的研究中则常常可以见上万个节点的网络，网络规模尺度上的改变也促使网络分析方法做相应的改变，而复杂网络是近年来随着网络规模、理论和计算机技术的飞速发展而出现的一个新的研究方向。它的出现不仅顺应了现代科技的发展趋势，而且反映了在以信息科学为支柱的新世纪中，各学科理论及应用交叉、渗透和融合的发展趋势[1]。复杂系统主要研究其个体之间相互作用所产生的系统的整体性质与行为“复杂系统的复杂性体现在系统的整体性质与行为往往不是系统各个个体的状态的简单综合”因此，复杂系统的研究不能采用还原论的方法，而要从整体上进行研究。 在对复杂系统的研究中，美国物理学家Barabasi和Albert通过对万维网的研究，发现万维网中网页连接的度分布服从幂律分布，而万维网中少数网页(Hub点)具有非常大的连接，大多数网页的连接数甚小Barabasi等把度分布为幂律分布(Power law)的复杂网络称为无标度网络（scale-free net）[2]。 经过众多的科研工作者的努力，已经证实了现实世界中无论是自然界还是人类社会都广泛的存在着具有度分布符合幂律分布的无标度网络，如生物网络、Internet网、WWW网、演员合作网、科学研究合作网、财富分布网、地震网、电站供电网、科技引文网和病毒传播网等。Newman将这些复杂网络粗略地分成四类:社会网络、信息网络、技术网络和生物网络[3]。

BP神经网络地设计实例(MATLAB编程)

神经网络的设计实例(MATLAB编程) 例1 采用动量梯度下降算法训练BP 网络。训练样本定义如下： 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标矢量为t = [-1 -1 1 1] 解：本例的MATLAB 程序如下： close all clear echo on clc % NEWFF——生成一个新的前向神经网络% TRAIN——对BP 神经网络进行训练 % SIM——对BP 神经网络进行仿真pause % 敲任意键开始 clc % 定义训练样本 P=[-1, -2, 3, 1; -1, 1, 5, -3]; % P 为输入矢量T=[-1, -1, 1, 1]; % T 为目标矢量

clc % 创建一个新的前向神经网络 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net.IW{1,1} inputbias=net.b{1} % 当前网络层权值和阈值 layerWeights=net.LW{2,1} layerbias=net.b{2} pause clc % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause clc % 调用TRAINGDM 算法训练BP 网络 [net,tr]=train(net,P,T);

基于Matlab的无标度网络仿真

无标度网络 无标度网络（或称无尺度网络）的概念是随着对复杂网络的研究而出现的。“网络”其实就是数学中图论研究的图，由一群顶点以及它们之间所连的边构成。在网络理论中则换一套说法，用“节点”代替“顶点”，用“连结”代替“边”。复杂网络的概念，是用来描述由大量节点以及这些节点之间错综复杂的联系所构成的网络。ER模型随机网络有一个重要特性，就是虽然节点之间的连接是随机形成的，但最后产生的网络的度分布是高度平等的。度分布是指节点的度的分布情况。在网络中，每个节点都与另外某些节点相连，这种连接的数目叫做这个节点的度。在网络中随机抽取一个节点，它的度是多少呢？这个概率分布就称为节点的度分布。 自二十世纪60年代开始，对复杂网络的研究主要集中在随机网络上。随机网络，又称随机图，是指通过随机过程制造出的复杂网络。最典型的随机网络是保罗·埃尔德什和阿尔弗雷德·雷尼提出的ER模型。ER模型是基于一种“自然”的构造方法：假设有n个节点，并假设每对节点之间相连的可能性都是常数。这样构造出的网络就是ER模型网络。 Matlab程序如下： SFNG： function SFNet = SFNG(Nodes, mlinks, seed) seed = full(seed); pos = length(seed); rand('state',sum(100*clock)); Net = zeros(Nodes, Nodes, 'single'); Net(1:pos,1:pos) = seed; sumlinks = sum(sum(Net)); while pos < Nodes pos = pos + 1; linkage = 0; while linkage ~= mlinks rnode = ceil(rand * pos); deg = sum(Net(:,rnode)) * 2; rlink = rand * 1; if rlink < deg / sumlinks && Net(pos,rnode) ~= 1 && Net(rnode,pos) ~= 1 Net(pos,rnode) = 1; Net(rnode,pos) = 1; linkage = linkage + 1; sumlinks = sumlinks + 2; end end end clear Nodes deg linkage pos rlink rnode sumlinks mlinks

Matlab训练好的BP神经网络如何保存和读取方法(附实例说明)

Matlab训练好的BP神经网络如何保存和读取方法（附实例说明） 看到论坛里很多朋友都在提问如何存储和调用已经训练好的神经网络。 本人前几天也遇到了这样的问题，在论坛中看了大家的回复，虽然都提到了关键的两个函数“save”和“load”，但或多或少都简洁了些，让人摸不着头脑（呵呵，当然也可能是本人太菜）。通过不断调试，大致弄明白这两个函数对神经网络的存储。下面附上实例给大家做个说明，希望对跟我有一样问题的朋友有所帮助。 如果只是需要在工作目录下保到当前训练好的网络，可以在命令窗口 输入：save net %net为已训练好的网络 然后在命令窗口 输入：load net %net为已保存的网络 加载net。 但一般我们都会在加载完后对网络进行进一步的操作，建议都放在M文件中进行保存网络和调用网络的操作 如下所示： %% 以函数的形式训练神经网络 functionshenjingwangluo() P=[-1,-2,3,1; -1,1,5,-3]; %P为输入矢量 T=[-1,-1,1,1,]; %T为目标矢量 net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm') %创建一个新的前向神经网络 inputWeights=net.IW{1,1} inputbias=net.b{1} %当前输入层权值和阀值 layerWeights=net.LW{2,1} layerbias=net.b{2} net.trainParam.show=50; net.trainParam.lr=0.05; net.trainParam.mc=0.9;

实验一 用MATLAB处理系统数学模型

实验一用MATLAB处理系统数学模型 一、实验原理 表述线性定常系统的数学模型主要有微分方程、传递函数、动态结构图等.求拉氏变换可用函数laplace(ft,t,s）,求拉式反变换可用函数illaplace(Fs,s,t);有关多项式计算的函数主要有roots(p),ploy(r),conv(p,q),ployval(n,s);求解微分方程可采用指令 s=dslove(‘a_1’,’a_2’,’···,’a_n’);建立传递函数时，将传递函数的分子、分母多项式的系数写成两个向量，然后用tf()函数来给出，还可以建立零、极点形式的传递函数，采用的函数为zpk(z,p,k);可用函数sys=series(sys1,sys2)来实现串联，用 sys=parallel(sys1,sys2)来实现并联，可用函数sys=feedback(sys1,sys2,sign)来实现系统的反馈连接，其中sign用来定义反馈形式，如果为正反馈，则sign=+1，如果为负反馈，则sign=-1。 二、实验目的 通过MATLAB软件对微分方程、传递函数和动态结构图等进行处理，观察并分析实验结果。 三、实验环境 MATLAB2012b 四、实验步骤 1、拉氏变换 syms s t; ft=t^2+2*t+2; st=laplace(ft,t,s) 2、拉式反变换 syms s t; Fs=(s+6)/(s^2+4*s+3)/(s+2); ft=ilaplace(Fs,s,t) 3、多项式求根 p=[1 3 0 4]; r=roots(p) p=poly(r) 4、多项式相乘 p=[ 3 2 1 ];q=[ 1 4];

欧拉图fluery算法matlab

clear all A=zeros(16); for i=1:16 %A(i,i)=1/2; if i+1<=16 && mod(i,4)~=0 A(i,i+1)=1; end if i+4<=16 A(i,i+4)=1; end end A(2,5)=1; A(3,8)=1; A(9,14)=1; A(12,15)=1; % A(1,6)=1; % A(6,11)=1; % A(11,16)=1; % A(16,1)=1; A=A+A'; [T3 c3]=Fleuf2(A); pos3(1:2,1)=0; for i=1:16 if i==1, pos3(1:2,i)=0; else if mod(i-1,4)~=0 pos3(1,i)=pos3(1,i-1)+1; pos3(2,i)=pos3(2,i-1); else pos3(1,i)=pos3(1,i-4); pos3(2,i)=pos3(2,i-4)-1; end end end figure (1), title('3rd Question')

for j=i:16 if A(i,j)==1, plot([pos3(1,i),pos3(1,j)],[pos3(2,i),pos3(2,j)]); hold on, end end end for i=2:c3 draw_arrow(pos3(:,T3(1,i))',pos3(:,T3(2,i))',0.5) x = mean(pos3(1,T3(:,i))); y = mean(pos3(2,T3(:,i))) text(x,y,num2str(i),'FontSize',18); pause; end pause off; hold off function [T c]=Fleuf1(d) n = length(d); b = d; b(b == Inf)=0; b(b~=0) = 1; m = 0; a = sum(b); eds = sum(a)/2; ed = zeros(2,eds); vexs = zeros(1,eds+1); matr = b; for i=1:n if mod(a(i),2) ==1 m = m+1; end end if m~=0 fprintf('there is not exist Euler path.\n'); T=0;c=0; end if m==0

用matlab实现碰撞模型程序代码

用m a t l a b实现碰撞模型程序代码 标准化工作室编码[XX968T-XX89628-XJ668-XT689N]

c l c; clear; fill([6,7,7,6],[5,5,0,0],[0,0.5,0]);%右边竖条的填充 holdon;%保持当前图形及轴系的所有特性 fill([2,6,6,2],[3,3,0,0],[0,0.5,0]);%左边竖条的填充 holdon;%保持当前图形及轴系的所有特性 t1=0:pi/60:pi; plot(4-2*sin(t1-pi/2),5-2*cos(t1-pi/2));%绘制中间的凹弧图形gridon;%添加网格线 axis([0,9,0,9]);%定义坐标轴的比例% axis('off');%关闭所有轴标注，标记，背景 fill([1,2,2,1],[5,5,0,0],[0,0.5,0]);%中间长方形的填充 holdon;%保持当前图形及轴系的所有特性 title('碰撞');%定义图题 x0=6; y0=5; head1=line(x0,y0,'color','r','linestyle','.','erasemode','xor','marke rsize',30); head2=line(x0,y0,'color','r','linestyle','.','erasemode','xor','marke rsize',50);%设置小球颜色,大小,线条的擦拭方式 t=0;%设置小球的初始值 dt=0.001;%设置运动周期 t1=0;%设置大球的初始值 dt1=0.001; while1%条件表达式 t=t+dt; x1=9-1*t; y1=5; x3=6; y3=5; ift>0 x2=6; y2=5;%设置小球的运动轨迹 end ift>2.8 t=t+dt; a=sin(t-3); x1=6.1; y1=5.1; x3=4-2*sin(1.5*a); y3=5-2*cos(1.5*a);%设置大球的运动轨迹 end

欧拉法matlab程序学习课件.doc

1.Euler法 function [x,y]=naeuler(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 y(n+1)=y(n)+h*feval(dyfun,x(n),y(n)); end x=x';y=y'; x1=0:0.2:1;y1=(1+2*x1).^0.5; plot(x,y,x1,y1) >> dyfun=inline('y-2*x/y'); [x,y]=naeuler(dyfun,[0,1],1,0.2);[x,y] ans = 0 1.0000 0.2000 1.2000 0.4000 1.3733 0.6000 1.5315 0.8000 1.6811 1.0000 1.8269 2.隐式Euler法 function [x,y]=naeulerb(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 y(n+1)=iter(dyfun,x(n+1),y(n),h); end x=x';y=y'; x1=0:0.2:1;y1=(1+2*x1).^0.5;

plot(x,y,x1,y1) function y=iter(dyfun,x,y,h) y0=y;e=1e-4;K=1e+4; y=y+h*feval(dyfun,x,y); y1=y+2*e;k=1; while abs(y-y1)>e y1=y; y=y0+h*feval(dyfun,x,y); k=k+1; if k>K error('迭代发散'); end end >> dyfun=inline('y-2*x/y'); [x,y]=naeulerb(dyfun,[0,1],1,0.2);[x,y] ans = 0 1.0000 0.2000 1.1641 0.4000 1.3014 0.6000 1.4146 0.8000 1.5019 1.0000 1.5561 3.改进Euler法 function [x,y]=naeuler2(dyfun,xspan,y0,h) x=xspan(1):h:xspan(2); y(1)=y0; for n=1:length(x)-1 k1=feval(dyfun,x(n),y(n)); y(n+1)=y(n)+h*k1; k2=feval(dyfun,x(n+1),y(n+1));

无标度网络及MATLAB建模

无标度网络 1.简介 传统的随机网络（如ER模型），尽管连接是随机设置的，但大部分节点的连接数目会大致相同，即节点的分布方式遵循钟形的泊松分布，有一个特征性的“平均数”。连接数目比平均数高许多或低许多的节点都极少，随着连接数的增大，其概率呈指数式迅速递减。故随机网络亦称指数网络。 现实世界的网络大部分都不是随机网络，少数的节点往往拥有大量的连接，而大部分节点却很少，一般而言他们符合zipf定律，(也就是80/20马太定律)。人们给具有这种性质的网络起了一个特别的名字——无标度网络。这里的无标度是指网络缺乏一个特征度值（或平均度值），即节点度值的波动范围相当大。 现实中的交通网，电话网和Internet都是无标度网络，在这种网络中，存在拥有大量连接的集散节点。分布满足幂律的无标度网络还具有一个奇特的性质—“小世界”特性。虽然万维网中的页面数已超过80亿，但平均来说，在万维网上只需点击19次超链接，就可从一个网页到达任一其它页面。 无标度网络具有严重的异质性，其各节点之间的连接状况（度数）具有严重的不均匀分布性：网络中少数称之为Hub点的节点拥有极其多的连接，而大多数节点只有很少量的连接。少数Hub点对无标度网络的运行起着主导的作用。从广义上说，无标度网络的无标度性是描述大量复杂系统整体上严重不均匀分布的一种内在性质。 1999 年, Albert、Jeong和Barabs发现万维网网页的度分布不是通常认为的Poisson 分布,而是重尾特征的幂律分布,而且万维网基本上是由少数具有大量超链接的网页串连起来的, 绝大部分网页的链接很少,他们把网络的这个特性称为无标度性(Scale-free nature, SF)。1999 年Barabs和Albert考察了实际网络的生成机制, 发现增长和择优连接是实际网络演化过程的两个基本要素, 他们创造性地构建了能够产生无标度特性的第一个网络模型——BA 模型。 BA 网络主要具有以下特性: 具有幂律度分布, 是一个无标度网络; 具有小世界特征。幂律度分布的重尾特征导致无标度网络中有少数具有大量连接边的中枢点, 择优连接必然产生“富者愈富”的现象。BA 网络同时具有鲁棒性和脆弱性，面对结点的随机失效, 网络具有鲁棒性；但面对蓄意攻击时, 由于中枢点的存在, 网络变得十分脆弱, 很容易陷于瘫痪。 特别地, 网络传染性疾病在无标度网络中不存在传播阈值, 疾病一旦产生就在网络上迅速传播并达到稳定状态。如果没有人为干预, 疾病将在网络中永远存在, 不会自动灭绝。这对制定无标度网络上的网络疾病防控策略提出了重大挑战。 2.BA无标度网络构成原则 ( 1) 增长: 网络开始于少数几个结点(初始设定为m0个) , 每个相等时间间隔增加一个新点, 新点与m个(m小于等于m0)不同的已经存在于网络中的旧点相连产生m条新边。 （2）择优连接：新点与旧点i相连的概率P取决于结点i的度数ki。

飞机碰撞模型

飞机碰撞模型 摘要 第六架在边长为160km的正方形区域内以的飞行角从坐标为（0,0）的点出发，在飞行过程中不与其它五架飞机发生碰撞，即在该区域内与其它任意飞机的距离大于8km，就要不断调整该飞机的飞行角度，使其任意时刻与其他飞机的距离大于8km，利用空间中点的距离定义，计算任意时刻该飞机与其他飞机的距离，找到调整角度的最小值为。 1、问题重述 在约10000km高空的某边长160km的正方形区域内，有5架飞机均以800km/h的速度作水平飞行，不碰撞的标准为在该区域内任意两架飞机的距离大于8km。现有5架飞机在区域内飞行且它们不会碰撞，其初始坐标和飞行方向由下表给出： 现有第6架飞机要进入该区域，坐标为（0,0）,飞行角为，如果其与内部的5架飞机发生碰撞，就需要调整其飞行角度，请建立优化模型，确定其与内部5架飞机不碰撞的最小调整角。 2、基本假设 1、五架飞机在规定正方形区域飞行中不随意改变路线； 2、飞机在飞行中不考虑其他未知因素； 3、符号说明 ：正方形区域的边长； ：第i架飞机飞行的方向角度； ：第六架飞机飞行过程中的调整角度； ：第架、第架飞机的距离； ：第架飞机在区域内飞行的路线长度； ：第架飞机的飞行速度； ：第架飞机在区域内的飞行时间； ：第i架飞机的横坐标； ：第i架飞机的纵坐标； 4、模型的建立与求解 1、模型的建立 先根据五架飞机起始点与终点坐标，在规定的网格区域内画出它们的飞行路线，再根据给出的区域长度与各架飞机飞行速度，计算出各架飞机在区域内的飞行时间， 再根据计算得出的时间，得出时刻各架飞机的坐标，求出在该时刻第六架飞机与其他五架飞机的距离 即 当<8时，此时就需要调整第六架飞机的飞行角度，使其与另外五架飞机

BP神经网络matlab实例

神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2

S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm

MATLAB的建模和仿真

课程设计说明书 题目：基于Matlab的IIR滤波器设计与仿真班级：2012 级电气五班 姓名：王璐 学号：201295014178 指导教师：张小娟 日期：2015年 1 月12日

课程设计任务书

基于MATLAB的IIR滤波器设计与仿真 前言 数字信号处理（digital signal processing，DSP）是从20世纪60年代以来，随着信息学科和计算机学科的高速发展而迅速发展起来的一门新兴学科。数字信号处理是把信号用数字或符号表示的序列，通过计算机或通用（专用）信号处理设备，用数字的数值计算方法处理（例如滤波、变换、压缩、增强、估计、识别等），以达到提取有用信息便于应用处理的目的。数字信号处理系统有精度高、灵活性高、可靠性高、容易大规模集成、时分复用、可获得高性能指标、二维与多维处理等特点。正是由于这些突出的特点，使得它在通信、语音、雷达、地震测报、声呐、遥感、生物医学、电视、仪器中得到愈来愈广泛的应用。在数字信号处理中起着重要的作用并已获得广泛应用的是数字滤波器（DF，Digital Filter），根据其单位冲激响应函数的时域特性可分为两类：无限冲激响应IIR（Infinite Impulse Response）滤波器和有限冲激响应FIR（Finite Impulse Response）滤波器。MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来结算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的有点，使MATLAB成为一个强大的数学软件，在新的版本中也加入了对C，FORTRAN，C++，JA V A的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用。 1 数字滤波器概述 数字滤波器是对数字信号实现滤波的线性时不变系统。数字滤波实质上是一种运算过程，实现对信号的运算处理。输入数字信号（数字序列）通过特定的运算转变为输出的数字序列，因此，数字滤波器本质上是一个完成特定运算的数字计算过程，也可以理解为一台计算机。描述离散系统输出与输入关系的卷积和差分方程只是给数字信号滤波器提供运算规则，使其按照这个规则完成对输入数据的处理。时域离散系统的频域特性：Y(eωj)=X(eωj)H(eωj) 其中Y(eωj)、X(eωj)分别是数字滤波器的输出序列和输入序列的频域特性（或称为