clear;
P=[ 0.2286 0.2090 0.0442 0.3690 0.2603 0.0359 0.0724 0.1759 0.2634;
0.1292 0.0947 0.0880 0.2222 0.1715 0.1149 0.1909 0.2347 0.2258;
0.0720 0.1393 0.1147 0.0562 0.0702 0.1230 0.1340 0.1829 0.1165;
0.1529 0.8700 0.0563 0.5157 0.2711 0.5460 0.2409 0.1811 0.1124;
0.1335 0.2558 0.3347 0.1872 0.1491 0.1977 0.2842 0.2922 0.1074;
0.0733 0.0900 0.1100 0.1614 0.1330 0.1248 0.0450 0.0655 0.0657;
0.1159 0.0771 0.1453 0.1425 0.0968 0.0624 0.0824 0.0774 0.0610;
0.0940 0.0882 0.0429 0.1506 0.1911 0.0832 0.1064 0.2237 0.2623;
0.0522 0.0393 0.1818 0.1310 0.2545 0.1640 0.1909 0.2056 0.2588;
0.1345 0.1430 0.0378 0.0500 0.0871 0.1002 0.1586 0.0925 0.1155;
0.0090 0.0126 0.0092 0.0078 0.0060 0.0059 0.0116 0.0078 0.0050;
0.1260 0.1670 0.2251 0.0348 0.1793 0.1503 0.1698 0.1852 0.0978;
0.3619 0.2450 0.1560 0.0451 0.1001 0.1837 0.3644 0.3501 0.1511;
0.0690 0.0508 0.0852 0.0707 0.0789 0.1295 0.2718 0.1680 0.2273;
0.1828 0.1328 0.0670 0.0880 0.0909 0.0700 0.2494 0.2668 0.3220];
T=[1 1 1 0 0 0 0 0 0;0 0 0 1 1 1 0 0 0;0 0 0 0 0 0 1 1 1];
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
net=newff(threshold,[15,3],{'morlet','logsig'},'traingda');
net.trainParam.epochs=500;
net.trainParam.goal=0.001;
LP.Ir=0.01;
s=15;r=15;
[r,q] = size(P);
pmin = min(P')';
pmax = max(P')'
magw =0.1*s^(1/r);
w = magw*randnr(s,r);
b = magw*rands(s,1);
b1=rands(s,1);
rng = pmax-pmin;
mid = 0.5*(pmin+pmax);
w=2*w./(ones(s,1)*rng');
b = b - w*mid;
a=w*rng/2.45;
t=w*mid;
net.IW{1,1}=w;
net.b{1,1}=b;
net.LW{2,1}=0.01*randnr(3,s);
net.b{2,1}=0.1*randnc(3,1);
net=train(net,P,T);
w1=net.IW{1,1};
b1=net.b{1,1};
w2=net.LW{2,1};
b2=net.b{2,1};
%保存網絡訓練結果
fww1=fopen('w11.dat','w');
fwb1=fopen('b11.dat','w');
fww2=fopen('w22.dat','w');
fwb2=fopen('b22.dat','w');
fprintf(fww1,'%6.4f %6.4f\n',w1);
fprintf(fwb1,'%6.4f %6.4f\n',b1);
fprintf(fww2,'%6.4f %6.4f\n',w2);
fprintf(fwb2,'%6.4f %6.4f\n',b2);
fclose(fww1);
fclose(fwb1);
fclose(fww2);
fclose(fwb2);
g=[ 0.2101 0.2593 0.2599;0.095 0.18 0.2235;0.1298 0.0711 0.1201;0.1359 0.2801 0.1171;
0.2601 0.1501 0.1102;0.1001 0.1298 0.0683;0.0753 0.1001 0.0621;0.089 0.1891 0.2597;
0.0389 0.2531 0.2602;0.1451 0.0875 0.1167;0.0128 0.0058 0.0048;0.159 0.1803 0.1002;
0.2452 0.0992 0.1521;0.0512 0.0802 0.2281;0.1319 0.1002 0.3205];
y=sim(net,g)