《基于马氏gm(11)和bp神经网络的货运公司收益问题本科论文.doc》由会员分享，可在线阅读，更多相关《基于马氏gm(11)和bp神经网络的货运公司收益问题本科论文.doc（27页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbb
2、agraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSp
3、acingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec基于马氏GM(1,1)和BP神经网络的货运公司收益问题摘要货运公司依托该市所具有的物流、人流、信息的中心地位，和一批在全省有一定影响的专业市
4、场及大型工业企业，在运营过程中，要考虑到公司的收益问题，同时也有对市场进行预测的问题。本文通过建立单目标规划模型，马氏GM(1,1)模型和BP神经网络模型对这些问题进行了深入的研究。问题一中，忽略了其他方面的影响，只是要求怎么样批复使得公司获利最大，我们建立了与之相对应的单目标规划模型，通过求解得出，当公司对四种货物的批复分别为：E类6460kg，F类5000kg，G类4000kg，H类0kg。公司获利最多为40232元。问题二中，我们要根据表中所给30天的数据，对未来7天各种货物的申请量做预测。考虑到这些数据具有随机性和波动性，我们分别建立了与之相对应的模型一：马氏GM(1,1)模型和模型二
5、：BP神经网络模型。在模型一中，我们先用GM(1,1)模型进行了预测，然后用马尔科夫链中的转移概率定律对其进行了优化，发现误差波动较大，在0-1000之间。在模型二中，我们建立了BP神经网络模型，通过设置参数，输入数据后，通过训练使其进行了很好的自学习过程，误差相对较小，波动在0-30之间，采用单步外推预测,然后对未来7天货物的申请量做了预测。最后通过比较最终选定BP神经网络的结果作为我们最终的结果。然后我们对模型进行了推广，由于两种模型在某些方面能互相弥补对方的缺陷，所以我们将两种模型进行了组合，提出了马氏GM(1,1)-BP神经网络模型，并说明了此模型除了能很好解决此题中所提出的问题外，还
6、能对其它问题，像人口的预测问题做出很好的解答，给出了解决的例子。由于时间和学习能力有限并没有给出马氏GM(1,1)-BP神经网络模型严密的理论证明，但是该模型在实践中有着比较好的应用前景。最后，评价了模型的优缺点。关键字: 单目标规划模型 马氏GM(1,1)模型 BP神经网络模型 组合模型 单步外推预测一 问题重述甲市的通畅物流货运中心主要依托该市所具有的物流、人流、信息流中心地位，和在全省有一定影响的贸易广场、轻纺城、旧货市场、建材市场、蔬菜批发市场、果品批发市场等一批专业市场，以及经济开发区、工业园的企业群等一批大型工业企业，创立的一家专业物流公司，该公司拥有3辆卡车，每辆载重量均为800
7、0kg，可载体积为9.084m3，是一个集业务受理、仓储、运输为一体的专业运输企业，运输区域遍及全国各地。该公司为客户托运货物主要有四类：E类、F类 、G类、H类，公司有技术实现四类货物任意混装。从甲地到乙地平均每类货物每公斤（kg）所占体积和相应托运单价如下表：表一 各类货物每公斤所占体积及托运单价类别E类F类G类H类体积（m3/kg）0.00120.00150.0030.0008托运单价(元/kg)1.72.254.51.12托运手续是客户首先向公司提出托运申请，公司给予批复，客户根据批复量交货给公司托运。申请量与批复量均以公斤为单位，例如客户申请量为1000kg，批复量可以为01000k
8、g内的任意整数，若取0则表示拒绝客户的申请。小张同学在该公司调度室做毕业实习，有一天公司经理给他2个问题，希望他能研究研究。问题1：如果某天客户申请量为：E类6500kg，F类5000kg，G类4000kg，H类3000kg，要求G类货物占用的体积不能超过F、H两类货物体积之和的三倍，问公司应如何批复才能使得公司获利最大？问题2：每天各类货物的申请总量是随机变量，现有六月份一个月的数据，为获取更大收益，需要对将来的货物申请总量进行预测。请预测其后7天内(7月1日至7日)，每天各类货物申请量大约是多少？二 基本假设1 表中所给数据真实，不存在人为的误差。2 忽略突发事件对公司运营的影响。3 托运
9、单价稳定不变，申请客户不会毁约。4 假设这四类货物的申请量受季节的影响不大。5 每辆卡车都能在最大限度内使用。6 忽略在货运过程中由于货物的破损造成的损失。三 符号说明公司分别批复客户类类类类货物的千克数公司的获利金额时间序列时间序列中的第个观察值，通过对序列累加生成的新序列新序列中的第个值，=1,2,30时间发展灰数内生控制灰数BP神经网络学习的输入量BP神经网络的输出量 学习误差终值四 模型建立与求解4.1 问题一4.1.1 问题分析已知某天客户的四类货物的申请量，并且知道类货物占用的体积不能超过两类货物体积之和的三倍，在基本假设中，我们忽略了其他方面因素的影响，因此在此问中，我们只需求出
10、怎样分配才能使得公司获利最大即可。也就是说，这是个典型的单目标规划问题，我们建立相应的单目标规划模型。 4.1.2 模型的建立及求解由表一，我们知道了每类货物所占的体积以及托运单价，由此可以得出总的托运价钱，要使公司获利最大，也就是使总的托运价钱最大，即目标函数为： （1）三辆车的载重有一定的限制，由此可以得出重量方面的约束条件为： （2）每辆车可载体积为9.084，由此可以得出体积方面的约束条件为： （3）类货物占用的体积不能超过两类货物体积之和的三倍，即： （4）由上，我们所建立的单目标规划模型为： (5) 运用LINGO软件对该模型进行求解（具体程序附录：LINGO_1），解得最大值为元
11、，公司对四类货物的批复量分别为：表二 四类货物的批复量E类F类G类H类6460kg5000kg4000kg0kg综上所述，当公司给4类货物的批复量分别为6460kg,5000kg,4000kg,0kg时，公司可获得最大利润，为40232元。对这样一个批复量结果我们可以看出，如果只是单纯的使公司的利润最大化，公司优先考虑托运单价高的货物，这样无疑是最好的方案。但是在实际中，一个需要长期发展的公司，不可以因为客户申请的托运货物单价低就不给批复，那样只会使公司逐渐的损失掉客户，所以说，在实际情况中，公司应该考虑综合利益，在考虑获利的同时，还要考虑长期客户的发展，这样才能使公司不断的处在良性发展中。4
12、.2 问题二4.2.1 问题分析题中信息给出，每天各类货物的申请总量是随机变量，所以表中所给出的数据是离散且没有什么规律的，如果运用统计学的规律进行预测，则由于表中所给的数据量有限，难以得到令人满意的结果，在此，我们引入两个模型对之进行求解4.2.2.1模型一：灰色系统理论中的灰色GM(1,1)模型。引入：灰色系统是指“部分信息已知,部分信息未知”的“小样本”,“贫信息”的不确定性系统,它通过对“部分”已知信息的生成、开发去了解、认识现实世界，实现对系统运行行为和演化规律的正确把握和描述。它所研究的系统行为数据列往往是没有规律的，是随机变化的。它将一切随机变量看作是在一定范围内变化的灰色量，将
13、随机过程看作是在一定范围内变化的、与时间有关的灰色过程。对灰色量用数据处理的方法，将杂乱无章的原始数据整理成规律较强的生成效列再作研究。灰色理论的微分方程型模型称为GM模型，G表示grey(灰)，M表示Model(模型)。GM(1，N)表示1阶的，N个变量的微分方程型模型。灰色预测方法是根据过去及现在已知的或非确知的信息, 建立一个从过去引申到将来的GM模型, 从而确定系统在未来发展变化的趋势, 为规划决策提供依据.。在灰色预测模型中, 对时间序列进行数量大小的预测, 随机性被弱化了, 确定性增强了。 此时在生成层次上求解得到生成函数, 据此建立被求序列的数列预测, 其预测模型为一阶微分方程,
14、 即只有一个变量的灰色模型, 记为GM(1,1)模型。题中关于申请量的描述符合灰色系统的要求，所以我们用灰色系统的GM(1,1)来进行预测。 4.2.2.2 模型的建立与求解GM(1,1) 是一个单个变量预测的一阶微分方程模型, 其离散时间响应函数近似呈指数规律。建立GM(1,1)模型的方法是：设为原始非负时间序列, 为累加生成序列, 即 （6）GM(1,1)模型的白化微分方程为： （7）式( 6) 中, 为待辨识参数, 亦称发展灰数；为待辨识内生变量,亦称灰作用量。设待辨识向量， 按最小二乘法求得式中 （8） （9）于是可得到灰色预测的离散时间响应函数为： （10）为所得的累加的预测值, 将
15、预测值还原即为： （11）在本问中，四种货物类类类类分别有与之对应的原始非负时间序列，将每类货物30天的申请量输入即可得到。运用MATLAB软件进行求解（具体程序见附录：模型一算法），我们得到了四类货物灰色预测的离散时间响应函数：类： （12）类： （13）类： （14）类： （15）由以上公式我们能够对未来7天公司的申请量做预测,我们先拿出类来做分析。经过预测我们得到类货物7月1日到7日的申请量结果为：表三 E类货物预测申请量（kg）7月1日7月2日7月3日7月4日7月5日7月6日7月7日1871 1846 1822 1798 1774 1751 1728如图所示：图一 GM(1,1)模型预
16、测值与真实值的比较误差曲线为：图二 GM(1,1)模型误差曲线模型一的分析：从图1可以看到，经过预测后得到了7天的预测值，它们的趋势符合6月份30天申请量的变化趋势。但是从图中我们也可以明显看出误差太大，在图2的误差曲线中显示，最大的误差量达到了2000多。这是我们所不希望看到的。经过运算我们发现对类类类货物进行的预测存在着同样的问题。而且由于G类和H类的数据更为发散和具有随机性，使得GM（1，1）模型并不能在预测本问题中得到很好的结果。所以，在以下论文中我们对模型多次进行优化，使得预测的结果尽量更接近与现实。4.2.2.3 模型的优化由GM(1,1)模型本身的研究学习我们看到，它是一个指数形
17、式的模型，具有严格的单调性，无法很好的预测随即波动大的数据，而这一条件恰恰符合马尔科夫链的条件，运用马尔科夫链中的方法进行优化能很好的弥补GM(1,1)模型的缺点，使之预测的结果更加符合实际。对马尔可夫链的引入：1870年，俄国有机化学家Vladimir V. Markovnikov第一次提出马尔可夫模型，如果一个过程的“将来”仅依赖“现在”而不依赖“过去”，则此过程具有马尔可夫性，或称此过程为马尔可夫过程。时间和状态都离散的马尔可夫过程称为马尔可夫链。在马尔可夫链描述的系统中，系统在每个时期所处的状态是随机的，从一时期到下时期的状态按一定概率转移，下时期的状态只取决于本时期状态和转移概率。我
18、们在对GM(1,1)模型进行优化时，依然用E类货物的数据做比较和判断，我们知道货物每天的申请量都是相互独立没有关系的。要用到状态转移概率，我们需要先做一些设定。设=实际值-预测值，在图一图二中可以知道，的值很多，根据经验法，在E类货物中，我们设误差的基准值为500，然后对每一天的误差进行分析，若某天的，则设这一天的状态为1，若某天的，则设这一天的状态为2，若某天的，则设这一天的状态为3。设为状态转移到的概率，我们根据表中所给数据经过统计得出了E类货物各个状态之间转移概率。状态划分误差范围1500经过对状态的设定后我们即可用马尔科夫链中的知识进行求解（具体程序见附录：模型一的算法），用MATLA
19、B软件进行运算得出E类货物的预测结果如下图所示：表四 优化后的E类货物预测值（kg）7月1日7月2日7月3日7月4日7月5日7月6日7月7日1881266019222598187422511828如图三所示：图三 马氏GM(1,1)模型预测值与实际值的比较在图三中我们可以看到，经过优化，预测值相比较GM(1,1)模型更接近于实际值。误差曲线为：图四 马氏GM(1,1)模型的误差曲线图四中可以得出，每天预测值的误差经过优化减少了很多，达到了一个可以令人接受的程度。之后我们又对类类类货物申请量的情况作了优化，都得到了基本令人满意的结果。最终，在GM (1,1)模型基础上经过马尔可夫链的优化后，我们
20、得到了四类货物7天的申请量的预测值，如下表所示：表五 四类货物7天申请量的预测值（kg）7.17.27.37.47.57.67.7类1881266119222598187422511828类3798296834263873293533763848类6091445646014749490150565214类4716621919616632165366823704.2.3.1模型二 BP神经网络模型基本概念的引入：人工神经网络是人类在对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它
21、是由大量的功能简单的处理单元（神经元）相互连接形成的复杂的非线性系统，是对人脑的简化，抽象和模拟。可以反映人脑的功能的许多特性。神经网络可以通过学习，形成具有一定结构的自组织系统。完成维空间向量到维向量的高度非线性映射。基于误差反向传播(Back propagation)算法的多层前馈网络(Multiple-layer feedforward network, 简记为BP网络), 是目前应用最成功和广泛的人工神经网络. 4.2.3.2 模型的建立与求解BP神经网络是由输入层, 输出层以及一个或多个隐层节点互连而成的一种多层网, 这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系,
22、 又不致使网络输出限制在-1和1之间；隐含层应该大于等于1层。输入层输出层隐含层P1X1P2P3Pn图五 BP网络模型 O O O O(大于等于一层) W(1)W(L) ( 3) BP神经网络的训练BP算法通过“训练”这一事件来得到这种输入, 输出间合适的线性或非线性关系. “训练”的过程可以分为向前传输和向后传输两个阶段：1向前传输阶段：从样本集中取一个样本, 将输入网络；计算出误差测度和实际输出；对权重值各做一次调整, 重复这个循环, 直到. 2向后传播阶段误差传播阶段：计算实际输出与理想输出的差；用输出层的误差调整输出层权矩阵；用此误差估计输出层的直接前导层的误差, 再用输出层前导层误差
23、估计更前一层的误差. 如此获得所有其他各层的误差估计；并用这些估计实现对权矩阵的修改. 形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程. 网络关于整个样本集的误差测度： 此即为我们所建立的BP神经网络模型。建立模型后，我们用E类货物的申请量做预测，首先要建立训练过程，两个样本是取自前29天的申请量，是取自第4天到30天的申请量，都是带有3个连续天数数据的向量，如：，数据为前三天的申请量，数据为第四天到第6天的申请量。由模型可知，根据BP神经网络模型特点我们采用单步外推预测，实际输出的理想输出即为,为了使学习达到这一目标，我们要对几个参数进行设定，我们设=，训练次数的多少
24、我们参照下图来确定：图六由图中给出的数据，我们设置训练最高次数为50000次，并设置学习效率为0.01。用MATLAB软件实现学习过程（具体程序见附录：模型二算法），结果如图：图七 BP神经网络训练成果误差曲线为：图八 BP神经网络的误差曲线可见误差很小，训练的结果非常的好，达到了我们预期的目标。接下来要用训练好的模型对将来做预测。我们只需把的取值改为第2天到第30天，则输出即为第5天到31天的申请量，由此我们预测出了第31天的申请量。用同样的方法，最后预测出了未来7天的申请量。如表六所示：表六 BP神经网络7天E类货物申请量的预测值（kg）7月1日7月2日7月3日7月4日7月5日7月6日7月
25、7日49628522319420521814351404如图：图九 BP网络E类预测值与实际值的比较用同样的方法我们可以对剩下三类货物的申请量做出预测，最终得出四类货物申请量的结果为：表七 BP神经网络四类货物7天申请量的预测值（kg）7.17.27.37.47.57.67.7E类49628522319420521814351404F类4424140716083693140037892649G类11541277648027798650105791387H类11797743119116592746196812254.2.4 模型的比较在本题中，对于模型一：GM(1,1)模型的优点在于预测的趋势准
26、确，但是由于数据的随机性和波动性较大，尽管加入了马尔科夫链状态转移概率对其进行了优化，真实值和预测值之间的相对误差还是在0到1000范围内波动。对于模型二：从图 中的误差曲线可知，误差范围在0到30之间波动，精度已经很高，且数据的趋势和模型一中数据的趋势一致，数据波动较大，能更好的反应实际情况，我们拿出E类预测的数据对两个模型进行了比较，如图所示：图十 BP神经网络和马氏GM(1,1)模型预测值的比较综上所述，相对于用马尔科夫链进行优化过的GM(1,1)模型，BP神经网络模型能够在保持误差很小的同时，还能对随机性很强，波动量很大的数据作出比马氏GM(1,1)模型进行更精确的预测，所以我们最后用
27、BP神经网络预测的结果作为最终的结果，而模型一则作为比较对模型二做了很好的验证。我们对未来7天做出的预测结果为：表八 比较后的最终预测结果（kg）7.17.27.37.47.57.67.7E类49628522319420521814351404F类4424140716083693140037892649G类11541277648027798650105791387H类1179774311911659274619681225五 模型的推广（人口预测）通过两个模型对货运公司收益问题的分析，我们看出两个模型有着互相补充的一面，所以我们提出GM(1,1)和BP神经网络的组合模型：GM(1,1)-BP神
28、经网络模型, 这样既可以利用灰色系统理论具有所需要的样本数据少，原理简单，运算方便，短期预测精度高等优点, 也发挥了神经网络并行计算，容错能力强，自适应能力强等优点。在本题中的拓展即为，运用模型一所预测出来的数据，带到模型二中去训练，可以得出更加精确的数据。我们用这样的思想对E类数据再次进行了运算，并将其与两个单独模型的结果进行了对比，如图所示：图十一 三种模型预测结果其中o代表马氏GM(1,1)模型的预测数据，*代表BP神经网络模型的预测数据，.代表马氏GM(1,1)-BP神经网络模型的预测数据。从图中可以明显的看出，结合了两个模型之后的组合模型兼顾了两种模型的优点，做出的预测更有说服力。这
29、样的一个组合模型不仅可以解决数据随机性很大的问题，也可以解决一些随机性不大，并带有长期性特点的问题，比如人口预测问题。我们从人口普查的网站上获取了1990年到2007的全国总人口的数据，并分别用模型一，模型二，组合模型对其进行了预测，预测时间到2035年，由于网站上有官方统计的预测数据，我们提取出来和我们自己做出的预测做比较，比较情况如图所示: 图十二 比较结果对图进行分析，图中+号代表的是BP神经网络所预测的结果，*号代表的是马氏GM(1,1)模型预测的结果，直线代表的是官方数据，点化线代表的是用组合模型马氏(1,1)-BP神经网络模型所预测出的结果。结果显示：组合后的模型预测更加的精确。通
30、过上图可以得出以下结论：1马氏GM(1,1)模型短期内预测波动不大的数据有着较好的预测结果；但是马氏GM(1,1)模型的指数特性决定了其不能更好的进行长期的预测。2. BP神经网络由于训练成果的好坏直接由所提供的输入数据决定，从数学角度来看，BP算法为一种局部搜索的优化方法，但它要解决的问题是复杂的非线性函数的全局极值，因此，输入数据量过少会使该模型陷入局部极值，使训练失败，不能得到很好的预测结果。3.马氏GM(1,1)与BP神经网络的结合应用互补了二者的缺陷，使得预测能够较为准确的反映实际情况，应在今后的应用中加以学习。六 模型的优缺点1灰色GM(1,1)模型与MATLAB的结合解决了它在计
31、算中的问题. 由MATLAB编制的相应预测程序简单实用, 容易操作。缺点在于对随机性很强的数据，预测精度相对较差。2BP神经网络模型由于其自身学习的特性，它预测的精度相对较高，尤其是它能够预测一些波动性很大的数据。甚至个别偏远的数据，它都能做出相应的预测。 不足之处是BP神经网络需要大量的样本数据用来训练和测试, 而在本题中30天的数据相对来说还是不足，这对最后预测的结果还是由一定的影响。3我们对模型进行了推广，并提出了马氏GM(1,1)-BP神经网络模型，并给出了人口预测的实例，得到了较好的预测结果。不足的是我们对于马氏GM(1,1)-BP神经网络模型没有给出严格的理论证明。 七 参考文献1
32、 王庚，王敏生 现代数学建模方法【M】 科学出版社 2006年2 楚天科技 MATLAB科学计算实例教程【M】 化学工业出版社 2009年3 董辰辉 彭雪峰等 MATLAB 2008 全程指南【M】 电子工业出版社 20094 黄俸强 李晶 邓健萍 基于BP神经网络和GM(1,1)灰色模型的中国人口预测分析【J】 5 2001-2050年全国总人口变动情况预测：八 附录LINGO_1model:max=1.7*a+2.25*b+4.5*c+1.12*d;a=6500;b=5000;c=4000;d=3000;a+b+c+d=24000;0.0012*a+0.0015*b+0.003*c+0.0
33、008*d=3*9.084;0.003*c=(0.0015*b+0.0008*d)*3;End结果为：Global optimal solution found at iteration: 8 Objective value: 40232.00 Variable Value Reduced Cost X1 6460.000 0.000000 X2 5000.000 0.000000 X3 4000.000 0.000000 X4 0.000000 0.1333333E-01模型1算法：%-% GM（1，1）模型预测 09年数学建模试题第二问程序% -段鹏飞% %=% GM（1，1）模型简介%
34、GM（1，1）模型相应的微分方程 dX1/dt=a*X1= （*需离散化*）% a:发展灰数；：内生控制灰数；% A=(B*B)(-1)*B*Yn% 其中 B为累加矩阵-1/2(x1(1)+x1(2) 1;. % Yn：表示x0(2).x0(n)%- clcclear allclose alldata=1601 5421 1890 4439 1703 3232 376 1167 1897 3737 1807 1628 1723 .2584 1551 2479 1199 4148 2449 2026 1690 3374 2015 2480 850 2249 1674 .3666 2029 123
35、8;N=7; %需要预测的天数题目中为 7T=length(data); X0=data;for i=2:T X1(1)=X0(1); X1(i)=X1(i-1)+X0(i); %生成一阶累加生成模块endfor i=1:T-1 M(i)=-(0.5*(X1(i)+X1(i+1); %构造累加矩阵Bend0B=ones(T-1,2); for i=1:T-1 for j=1:2 if j1 B(i,j)=1; end endendfor i=2:T %构造常数项向量Y Y1(i-1)=X0(i);endY=Y1;HCS=(B*B)(-1)*B*Y; %用最小二乘法求灰参数HCSH=HCSfor
36、 i=2:T+N %计算出累加序列XR1(i)=(X0(1)-(H(2)/H(1).*exp(-1*H(1)*(i-1)+H(2)/H(1);endfor i=2:T+N %还原计算出预测值 K(i-1)=XR1(i)-XR1(i-1);endGM=K;%-%-x=1:length(K);figureplot(x,K,*);title(o:代表实际值 AND *:代表预测值);grid onhold onplot(1:29,Y1,o)for i=1:length(K)-7F(i)=Y1(i)-K(i);endfigureplot(1:29,F,-.)title(误差曲线)grid on%-%
37、加入状态转移概率的优化GM(1,1)% Y1:原始数据 K:表示预测数据 %-for i=1:length(K)-7 K_test(i)=K(i);endfor i=1:length(K_test)Error(i)=Y1(i)-K_test(i);endfor i=length(K)-7:length(K) K_yuce(i)=K(i)endError_max=max(Error);Error_min=min(Error);%-% 划分状态(1,2,3)%-for i=1:length(K_test) if Error(i)max则 Ki=1 K_1(i)=1; end if Error(i)
38、-447.7 & Error(i)425.9 %& Error(i)600 % K_1(i)=4; %endendK_1(i)P1_1=0;P2_1=0;P3_1=0;P1_2=0;P2_2=0;P3_2=0;P1_3=0;P2_3=0;P3_3=0;%P1_4=0;P2_4=0;P3_4=0;%-% 状态的求取%-for i=1:length(K_1)-1 if K_1(length(K_1)=1 if K_1(i)=1 if K_1(i+1)=1 P1_1=P1_1+1; end if K_1(i+1)=2; P1_2=P1_2+1; end if K_1(i+1)=3; P1_3=P1_3+1;