极限学习机和粒子群优化算法优化WNN车位预测

tic   %该函数表示计时开始
%原始数据 
A = [44 31 20 15 23 11 23 37 34 17 18 21 16 13 25 38 25 22 19 23 18 20 26 37 42 27 12 13 25 15 25 33 37 18 21 28 21 10 22 29 32 21 8  13 15 16 19 25 43 33 14 23 21 20 16 22 25 27 12 21 25 13 14 22 36 16 14 15 18 11 14 25 30 26 20 28 16 19 16 29 35 24 8  12 23 18 19 33 41 22 12 25 23 11 23 37];
B = [40 33 18 23 11 20 24 35 38 26 19 10 11 12 14 17 33 29 24 28 11 20 23 25 30 30 20 11 12 12 18 40 28 26 10 23 14 20 17 26 23 23 10 19 16 13 23 17 31 23 16 13 18 18 14 34 27 27 17 27 20 14 23 37 35 27 21 9  22 17 16 19 42 24 12 26 24 16 19 23 33 17 12 14 26 15 22 40 41 32 15 18 27 18 14 29];
%要进行预测的实测数据
C = [40 24 16 22 10 11 22 14 38 18 16 12 5  15 20 37 28 14 17 26 6  19 16 18 36 15 16 12 11 17 14 30 30 20 9  22 19 13 13 27 31 26 19 19 25 11 15 20 35 31 13 14 27 14 18 36 29 32 5  15 23 18 22 14 23 28 13 11 16 18 23 38 29 22 19 24 9  14 22 17 39 17 9  15 5  11 19 32 40 14 6  18 7  14 16 25];
%序列p0
p0 = （A+B） / 2;
%归一化
a = max（p0）;
b = min（p0）;
for i=1:96
    T（i） = （p0（i） - b） / （a - b）;
end
%初始化输入层与隐含层之间的连接权值和隐含层神经元的阈值
for i=1:96
    W（i） = 10 * rand（） + 10; %加上平移阈值
    d（i） = 10 * rand（） + 10;
end
%隐含层输出矩阵
for i=1:90
    H（i） = W（i） * T（i） + d（i）;
end
%输出层权值
for i=1:96
%     W1（i） = pinv（H（i）） * p0（i）;
       W1（i） = 10 * rand（） + 10;  %加上平移阈值
end
%最终输出值
for i=1:90
    M（i） = W1（i） * H（i）;
end

%给定初始化条件
c1 = 1.4962;             %加速常数即学习因子1 
c2 = 1.4962;