谁有一个MATLAB程序可以跟踪超声波引导的波的散射特性，并愿意为此付费？
发布时间：2019-10-28 12:04 发布者：365bet电子游戏
展开全部
clcclear empty %% environment %% variable数据提取训练数据预测和规范化下载％loaddata1c1loaddata2c2loaddata3c3loaddata4c4％4合成四个语音信号的数组。数据（501：1000 :) = c2（1：500 :);数据（1001：1500 :) = c3（1：500 :);数据（1501：2000）:) = c4（1：500 :); 1 r用于r 2000 k = rand（1,2000）的随机分类;[m，n]= type（k）;输出数据来自％input = data（，2：25）; output1 = data（，1）;输出4的输出％是i = 1的一维维度。case1output 2000 switchoutput 1（i）（i :) =[1000]; case2output（I :) =[0100]; case3output（I :) =[0010]; case4output（I :) =[0001];随机提取样本的百分比是训练样本1500和500个样本的预测样本。input_train = input（n（1：1 500）:) output_train = output（n（1：1 500）:) input_test = input（n（1501：2000）:) output_test = output（n（1501：2000）:)％regular输入数据[inputn，inputps]= mapminmax（input_train）; %%网络初始化结构inNum = 24。midnum = 25; Outnum = 4;％权重初始化w1 = rands（midnum，posadaum）。b1 = rand（midnum，1）; w2 = rand（midnum，OUTNUM）; b2 = Rands（OUTNUM，1）。w1_2 = w1_1; w1_2 = w1_1; B1_1 = b1; B1_2 = b1_1; b2_1 = b2; b2_2 = b2_1;学习率xite = 0。
1 Alpha = 0
01;网络训练%% forii = 1:10 E（ii）= 0。fori = 1：1：1 500％输出预测网络x = inputn（，i）;隐藏％FORJ层输出= 1：1：midnumI（j）= inputn（，i）* w1（j :) +b1（j）。Iout（j）= 1 /（1 + exp（？I（j）））;结束和n个输出层％= w2 * Iout + b2。%%权重阈值校正％计算误差e = output_train（，i）-yn; E（ii）= E（ii）+ sum（abs（e））;权重变化率的计算％dw2 = e * Iout。db2 = eforj = 1：1：中间值S = 1 /（1 + exp（ΔI（j）））。FI（j）= S *（1？S）。endfork = 1：1：innumforj = 1：1：midnumdw1（k，j）= FI（j）* x（k）*（e（1）* w2（j，1）+ e（2）* w2（j），2）+ e（3）* W2（j，3）+ e（4）* w2（j，4））db1（j）= FI（j）*（e（1）* w2（j，1））+ E（2）x w 2（j，2）+ e（3）x w 2（j，3）+ e（4）x w 2（j，4））。endendw1 = w1_1 + Xite * dw1b1 = B1_1 + Xite * db1w2 = w2_1 + Xite * dw2b2 = b2_1 + Xite * db2w1_2 = w1_1;b2_1。b2_1 = b2;语音信号分类的%%结束输入type_test = mapminmax（apply，input_test，inputps）; forii = 1：1 fori = 1：500％1500％FORJ输出隐藏层= 1：1：midnumI（j）=输入n_test（，i）* w1（j :) + b1（j）; Iout（j）= 1 /（1 + exp（？I（j）））; endfore（，i）= w 2 * I out +b 2;分析结果是根据网络输出的数据类型fori = 1：500 output_fore（i）= find（forward（，i）== max（forward（，i）））;终端网络预测误差误差BP％= Output_fore-output 1（n（1501：2000））％预测语音和种子真实语音分类图（1）帧（output_fore，r）holdonplot（OUT 1）（1501：2000）b）图例（预测）语音类别，实际语音类别）错误％数字（2）情节图标题（错误）（BP网络分类错误，大小）字体，12）x标签（语音信号，字体大小，12）Ylabel（分类错误，字体大小，12）％print-dtiff-r6001-4k = 0（1），4）;％错误自由决定识别i = 1：500 iferror（i）的哪个类别）？= 0[b，c]= max（output_test（，i））。switchccase1k（1）= k（1）1。case2k（2）= k（2）1。case3k（3）= k（3）1。case 4k（4）= k（4）+ 1。最后一端找到每个人，kk = 0（1,4）。fori = 1：500[b，c]= max（output_test（，i））; switchccase1 kk（1）= kk（1）+ 1。case2 kk（2）= kk（2）+1。case3 kk（3）= kk（3）+1。case4 kk（4）= kk（4）+1。结束
上一篇：缓释氯雷他定复方（凯瑞能片）
下一篇：没有了 clcclear empty %% environment %% variable数据提取训练数据预测和规范化下载％loaddata1c1loaddata2c2loaddata3c3loaddata4c4％4合成四个语音信号的数组。数据（501：1000 :) = c2（1：500 :);数据（1001：1500 :) = c3（1：500 :);数据（1501：2000）:) = c4（1：500 :); 1 r用于r 2000 k = rand（1,2000）的随机分类;[m，n]= type（k）;输出数据来自％input = data（，2：25）; output1 = data（，1）;输出4的输出％是i = 1的一维维度。case1output 2000 switchoutput 1（i）（i :) =[1000]; case2output（I :) =[0100]; case3output（I :) =[0010]; case4output（I :) =[0001];随机提取样本的百分比是训练样本1500和500个样本的预测样本。input_train = input（n（1：1 500）:) output_train = output（n（1：1 500）:) input_test = input（n（1501：2000）:) output_test = output（n（1501：2000）:)％regular输入数据[inputn，inputps]= mapminmax（input_train）; %%网络初始化结构inNum = 24。midnum = 25; Outnum = 4;％权重初始化w1 = rands（midnum，posadaum）。b1 = rand（midnum，1）; w2 = rand（midnum，OUTNUM）; b2 = Rands（OUTNUM，1）。w1_2 = w1_1; w1_2 = w1_1; B1_1 = b1; B1_2 = b1_1; b2_1 = b2; b2_2 = b2_1;学习率xite = 0。
1 Alpha = 0
01;网络训练%% forii = 1:10 E（ii）= 0。fori = 1：1：1 500％输出预测网络x = inputn（，i）;隐藏％FORJ层输出= 1：1：midnumI（j）= inputn（，i）* w1（j :) +b1（j）。Iout（j）= 1 /（1 + exp（？I（j）））;结束和n个输出层％= w2 * Iout + b2。%%权重阈值校正％计算误差e = output_train（，i）-yn; E（ii）= E（ii）+ sum（abs（e））;权重变化率的计算％dw2 = e * Iout。db2 = eforj = 1：1：中间值S = 1 /（1 + exp（ΔI（j）））。FI（j）= S *（1？S）。endfork = 1：1：innumforj = 1：1：midnumdw1（k，j）= FI（j）* x（k）*（e（1）* w2（j，1）+ e（2）* w2（j），2）+ e（3）* W2（j，3）+ e（4）* w2（j，4））db1（j）= FI（j）*（e（1）* w2（j，1））+ E（2）x w 2（j，2）+ e（3）x w 2（j，3）+ e（4）x w 2（j，4））。endendw1 = w1_1 + Xite * dw1b1 = B1_1 + Xite * db1w2 = w2_1 + Xite * dw2b2 = b2_1 + Xite * db2w1_2 = w1_1;b2_1。b2_1 = b2;语音信号分类的%%结束输入type_test = mapminmax（apply，input_test，inputps）; forii = 1：1 fori = 1：500％1500％FORJ输出隐藏层= 1：1：midnumI（j）=输入n_test（，i）* w1（j :) + b1（j）; Iout（j）= 1 /（1 + exp（？I（j）））; endfore（，i）= w 2 * I out +b 2;分析结果是根据网络输出的数据类型fori = 1：500 output_fore（i）= find（forward（，i）== max（forward（，i）））;终端网络预测误差误差BP％= Output_fore-output 1（n（1501：2000））％预测语音和种子真实语音分类图（1）帧（output_fore，r）holdonplot（OUT 1）（1501：2000）b）图例（预测）语音类别，实际语音类别）错误％数字（2）情节图标题（错误）（BP网络分类错误，大小）字体，12）x标签（语音信号，字体大小，12）Ylabel（分类错误，字体大小，12）％print-dtiff-r6001-4k = 0（1），4）;％错误自由决定识别i = 1：500 iferror（i）的哪个类别）？= 0[b，c]= max（output_test（，i））。switchccase1k（1）= k（1）1。case2k（2）= k（2）1。case3k（3）= k（3）1。case 4k（4）= k（4）+ 1。最后一端找到每个人，kk = 0（1,4）。fori = 1：500[b，c]= max（output_test（，i））; switchccase1 kk（1）= kk（1）+ 1。case2 kk（2）= kk（2）+1。case3 kk（3）= kk（3）+1。case4 kk（4）= kk（4）+1。结束
