Ⅰ 請問您可不可以提供一個LMP演算法，也就是p范數LMS演算法的matlab程序呀我自己編的沒法收斂…
%% 初始化
clc,clear all;
mu=0.05; % 步長
N=16; % 信道時域系數個數
input_signal_variance=1; % 輸入信號方差
noise_variance=10^-3; % 雜訊方差
inter=500; % 迭代次數分別為500
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%前500次迭代
w=zeros(N,1); % 初始時刻，稀疏信道脈沖響應
w_initial=w;
w_initial(5,1)=1; % 第5個抽頭值為1
w_opt=w_initial; % 記錄所要得到的稀疏系數向量w~(n)，便於求MSD,MSE
%% 產生零均值，方差為1/10^-3的高斯雜訊x(n)和v(n)
% 產生高斯分布的N*1的輸入信號x(n)
b=randn(N,1);
b=b/std(b);
b=b-mean(b);
c=0;
d=sqrt(input_signal_variance);
x=c+d*b;
% 產生高斯分布的雜訊v(n)
t=randn(inter_3,1);
t=t/std(t);
t=t-mean(t);
c=0;
f=sqrt(noise_variance);
v=c+f*t;
%% 未迭代
sum=0;
MSD=;
inter=0;
for n=1:N %求MSD
error=(abs(w(n)-w_opt(n)))^2;
sum=sum+error;
end
MSD(inter+1)=sum;
%% 開始迭代--LMS
for inter=1:inter
y=w'*x+v(inter); % 輸出信號y(n)
e=w_opt'*x-y; % 誤差
w=w+mu*e*x; % 更新公式
sum=0;
for n=1:N %求MSD
error=(abs(w(n)-w_opt(n)))^2;
sum=sum+error;
end
MSD(inter+1)=sum;
end
inter=0:inter;
plot(inter,MSD);
axis();
grid on;
xlabel('interation');
ylabel('MSD');
Ⅱ MATLAB 中 LM演算法的函數是什麼
http://www.mathworks.com/matlabcentral/fileexchange/16063-lmfsolve-m-levenberg-marquardt-fletcher-algorithm-for-nonlinear-least-squares-problems
Calling of the function is rather simple:
[x,ssq,cnt] = LMFsolve(Equations,X0); % or
[x,ssq,cnt] = LMFsolve(Equations,X0,'Name',Value,...); % or
[x,ssq,cnt] = LMFsolve(Equations,X0,Options) % .
去看吧
好像沒有二維的.
你最好看看這個函數,根據LM演算法的意義修改一下
Ⅲ 請教MATLAB中的LMI求解問題
1.因為令F=K*X1後，若所得不等式中中只有X1,F,則該不等式為LMI；若不等式中出現X1,F,K三個變數，則不等式變為受等式約束的LMI形式，無法直接通過Matlab求解。
2.不等式中出現X1^-1時，可以採取如下處理方法：
a)若X1^-1為矩陣對角元素，則可根據不等式-X1^-1<=X1-2I將原矩陣不等式替換成LMI形式；(此方法簡便易行，但保守性增大)
b)利用錐補線性化演算法(cone complementary linearisation)，可參考以下文獻
郭亞鋒, 李少遠. 網路控制系統的H∞狀態反饋控制器設計. 控制理論與應用
G. Zhou, D. Wang, P. Chen, X. Zhao. Guaranteed Cost Control For Networked Control System With Interval Time-varying Delay. //Proceedings of the 21st Chinese Control and Decision Conference
Ⅳ MATLAB實現LMS學習演算法
clc;
clear all;
load msesample;
n1=length(x1);
n2=length(x2);
x=[x1;x2];
e=ones(length(x),1);
y=[e x];
b=e;
%b=rand(length(x),1);
yita=1;
eps=0.01;
yy=inv(y'*y)*y';
result=yy*b;
for i=n2:length(x)
y(i,:)=y(i,:).*(-1);
end
a=[1;2;1];
an=zeros(3,100);
an(:,1)=a;
flat=zeros(length(x),1);
n=1;
while(n<=100)
for i=1:length(x)
if y(i,:)*an(:,n)<=b(i)
an(:,(n+1))=an(:,n)+y(i,:)'*(b(i)-y(i,:)*an(:,n))*yita/n;
end
end
if abs(an(:,(n+1))-an(:,n))<=eps
break;
else
n=n+1;
end
end
n
w=an(:,n)
ne=0;
for i=1:length(x)
if y(i,:)*w<b(i)
ne=ne+1;
end
end
ne
pe=ne/length(x)
subplot(1,2,1)
plot(x1(:,1),x1(:,2),'bo',x2(:,1),x2(:,2),'ro');
hold on
syms xa xb;
g=w(1)+w(2)*xa+w(3)*xb;
ezplot(g);
title('最小均方誤差判決')
legend('第一類樣本','第二類樣本')
gtext(strcat('錯誤率為：',num2str(pe)),'Fontsize',8)
subplot(1,2,2)
hold on
i=1:n;
plot(i,an(:,i));
title('權向量')
xlabel('迭代次數')
ylabel('權向量取值')
Ⅳ Matlab如何做空間計量回歸模型LM檢驗
x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]';
X=[ones(16,1) x]; 增加一個常數項
Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]';
[b,bint,r,rint,stats]=regress(Y,X)
得結果：b = bint =
-16.0730 -33.7071 1.5612
0.7194 0.6047 0.8340
stats = 0.9282 180.9531 0.0000
即對應於b的置信區間分別為[-33.7017，1.5612]、[0.6047,0.834]; r2=0.9282, F=180.9531, p=0.0000
p<0.05, 可知回歸模型 y=-16.073+0.7194x 成立.
這個是一元的，如果是多元就增加X的行數！
Ⅵ matlab中trainlm演算法和trainbr中mu值是什麼意思
變數mu確定了學習是根據牛頓法還是梯度法來完成，下式為更新參數的L-M規則：
% jj = jX * jX
% je = jX * E
% dX = -(jj+I*mu) \ je
隨著mu的增大，LM的項jj可以忽略。因此學習過程主要根據梯度下降即mu/je項，只要迭代使誤差增加，mu也就會增加，直到誤差不再增加為止，但是，如果mu太大，則會使學習停止，當已經找到最小誤差時，就會出現這種情況，這就是為什麼當mu達到最大值時要停止學習的原因。
Ⅶ 如何用matlab實現頻域塊LMS演算法
先對t離散化，然後FFT，再畫個幅頻和相頻就可以了。
不過貌似你這個式子有點問題，randn產生1*1024的高斯雜訊已經指定了s的維數了，所以t必須去1024個離散值，限定了t的取值了。
你可以參考下面的程序，建議你看懂之後自己編一下。
這是對sin(x)求幅頻相頻
%用fft求幅頻相頻
clc;%清空
clearall;%清除所有變數
closeall;%關閉所有窗口
A=10;%振幅
fw=50;%固有頻率
phi=pi/3;%相位
step=1000;
t=0:1/step:10*pi;%時間t
y=A*sin(2*pi*fw*t+phi);%正弦函數y
f=step*(0:256)/512;%頻率
subplot(3,1,1);%三行一列第一幅圖
plot(t,y);%繪制圖形
xlabel('t/s','fontsize',13);%橫坐標顯示t/s，字型大小13
ylabel('y','fontsize',13);%縱坐標顯示y，字型大小13
title('正弦函數曲線','fontsize',13);%顯示標題
Y=fft(y,512);%對y進行傅里葉變換
subplot(3,1,2);%三行一列第二幅圖
plot(f,abs(Y(1:257)));%繪制圖形
xlabel('f/Hz','fontsize',13);%橫坐標顯示f/Hz，字型大小13
ylabel('幅值','fontsize',13);%縱坐標顯示幅值，字型大小13
title('幅頻特性曲線','fontsize',13);%顯示標題
[value,index]=max(abs(Y));%將abs（Y)最大值點的橫坐標、縱坐標分別賦給
value和index
text(f(index),value,sprintf('maxpiont=(%f,%f)',f(index),value),'fonts
ize',13);%顯示最大值點坐標
subplot(3,1,3);%三行一列第三幅圖
plot(f,angle(Y(1:257))*180/pi);%繪制圖形
xlabel('f/Hz','fontsize',13);%橫坐標顯示f/Hz，字型大小13
ylabel('相位/°','fontsize',13);%縱坐標顯示相位/°，字型大小13
title('相位特性曲線','fontsize',13);%顯示標題
Ⅷ 基於MATLAB的神經網路BP演算法改進LM演算法的交通流量的源代碼！
給你推薦一本書《神經網路理論與MATLAB7實現》，上面有LM演算法以及N多的代碼
Ⅸ matlab如何實現蒙特卡洛演算法
1、打開MATLAB軟體，如圖所示，輸入一下指令。
Ⅹ MATLAB中訓練LM演算法的BP神經網路
1.初始權值不一樣，如果一樣，每次訓練結果是相同的
2.是
3.在train之前修改權值，IW,LW,b，使之相同
4.取多次實驗的均值
一點淺見，僅供參考
訓練誤差是否降到一定范圍內，比如1e-3，
將訓練樣本回代結果如何，
訓練樣本進行了預處理，比如歸一化，而測試樣本未進行同樣的處理
這樣的歸一化似有問題，我也認為「測試數據的歸一化也用訓練數據歸一化時得出的min和max值」，
請參考這個帖子http://www.ilovematlab.cn/thread-27021-1-1.html
測試數據帶入訓練好的神經網路誤差當然不會達到1e-5，這是預測啊。
但將訓練數據帶入誤差必然是1e-5，演算法終止就是因為達到這個誤差才終止，這個誤差是由訓練數據的輸入、輸出以及神經網路的權值、激活函數共同決定的，神經網路訓練完後，權值、激活函數定了，同樣的數據再代入神經網路，誤差會不等於1e-5？
第二個問題：不可能每個值都達到1e-5，1e-5是MSE（mean square error），它們的平方和除以總數再開方，mse（E）必為1e-5
另外，LM演算法雖然訓練最快，但是預測精度一般不好，不如gdm，gdx
