C# + Matlab 实现计件工时基于三层BP神经网络的拟合--真实项目
工序工时由该工序的工艺参数决定,有了工时后乘以固定因子就是计件工资。一般参考本地小时工资以及同类小时工资并考虑作业的风险等因素给出固定因子
采用的VS2010 , Matlab2015a 64, 开发端是win7 64 , 部署端是win2012 R2 Datacenter 64
Matlab部分
下面是样本数据:
注意样本数据要尽可能全面,比方这里会交换L与R后做为另一组样本数据一起交给系统训练

打钩的数据会抽取来训练,WTime是目标,所以5个输入1个输出。
训练代码

clc
clear
excel=xlsread('frmZJ_KB_SalaryParamAdmin2011140841.xls');
% 训练集——个样本
P_Train=excel(:,[4 5 11 7 8])'; %注意运算时需要转置矩阵
T_Train=excel(:,9)';
% 测试集——个样本
rndSample=randperm(size(excel,1),500); %随机选择100个作为样本
P_Test=P_Train(:,rndSample);
T_Test=T_Train(:,rndSample);
%% III. 数据归一化
[p_train, ps_input] = mapminmax(P_Train,0,1);
p_test = mapminmax('apply',P_Test,ps_input);
save('ps_input.mat','ps_input');
[t_train, ps_output] = mapminmax(T_Train,0,1);
save('ps_output.mat','ps_output')
N = size(P_Test,2);
%% IV. BP神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newff(p_train,t_train,60); %%
% 2. 设置训练参数
net.trainParam.epochs = 10000;
net.trainParam.goal = 1e-5;
net.trainParam.lr = 0.01; %%
% 3. 训练网络
net = train(net,p_train,t_train);
save('ZJPrediction.mat','net');
%%
% 4. 仿真测试
t_sim = sim(net,p_test); %%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output); %% V. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_Test)./T_Test; %%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_Test) - sum(T_sim) * sum(T_Test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_Test).^2) - (sum(T_Test))^2)); %%
% 3. 结果对比
result = [T_Test' T_sim' error'] %% VI. 绘图
figure
plot(1:N,T_Test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('输出值')
string = {'测试集预测结果对比';['R^2=' num2str(R2)]};
title(string)
训练好的模型要保存起来,还有归一化参数,下面3个打钩的文件要发布到生产环境中

下面是需要封成dll的函数,里面采用了绝对路径,因为封装成Windows Service后matlab的工作目录会在C盘下的临时目录

function r=PredictionZJWTime(d)
load('D:\MatlabServer\ps_input.mat','ps_input');
load('D:\MatlabServer\ps_output.mat','ps_output');
load('D:\MatlabServer\ZJPrediction.mat','net');
P_Test=d';
p_test = mapminmax('apply',P_Test,ps_input);
%%
% 4. 仿真测试
t_sim = sim(net,p_test); %%
% 5. 数据反归一化
T_sim = mapminmax('reverse',t_sim,ps_output);
r=[d T_sim' T_sim'*0.0062];
end
下面在matlab环境下测试所封装的函数

clc
clear
excel=xlsread('frmZJ_KB_SalaryParamAdmin2011120839.xls');
% 训练集——个样本
P_Train=excel(:,[4 5 11 7 8])'; %注意运算时需要转置矩阵
T_Train=excel(:,9)';
% 测试集——个样本
rndSample=randperm(size(excel,1),100); %随机选择100个作为样本
P_Test=P_Train(:,rndSample);
T_Test=T_Train(:,rndSample); T_Sim=PredictionZJWTime(P_Test');
T_Sim(:,6) - T_Test'
生成dll库文件


生成的dll文件一般有2个文件。ZJSim与ZJSimNative,后面带Native是本地类库,调用参数有点区别--Class Name可自己修改
另外还要copy MWArry.dll文件 一般安装在 C:\Program Files\MATLAB\MATLAB Production Server\R2015a\toolbox\dotnetbuilder\bin\win64\v2.0\MWArray.dll
C#部分
分装成windows服务,并对外以WCF HttpBinding的方式发布, 本来想直接挂在IIS下,但是一直没调试成功
服务类

[ServiceBehavior(IncludeExceptionDetailInFaults = true, InstanceContextMode = InstanceContextMode.PerCall, ConcurrencyMode = ConcurrencyMode.Multiple, MaxItemsInObjectGraph = 2147483647, IgnoreExtensionDataObject = true, UseSynchronizationContext = false)]
public class HDMatlabServiceImp : IHDMatlabService
{ public List<ZJPredictionInfo> PredictionForZJ(List<ZJPredictionInfo> inData)
{
var inMatrix=new double[inData.Count,5];
for (int row=0;row<inData.Count;row++)
{
var it=inData[row];
inMatrix[row, 0] = it.L;
inMatrix[row, 1] = it.R;
inMatrix[row, 2] = it.D;
inMatrix[row, 3] = it.I;
inMatrix[row, 4] = it.S;
//inMatrix[row, 5] = it.WTime;
//inMatrix[row, 6] = it.SalaryPerUnit;
} var srv = new ZJWTimeSimulater(); var outMatrix = (double[,])srv.PredictionZJWTime(inMatrix);
for (int i = 0; i < inData.Count; i++)
{
inData[i].SimWTime = outMatrix[i, 5];
inData[i].SimSalaryPerUnit = outMatrix[i, 6];
}
return inData;
}
}
}
托管类,对应binging的配置方在app.config中貌似没反映,所以就整到代码里,

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.ServiceModel;
using System.Configuration;
using HD.Matlab.IService; namespace HD.Matlab.Service
{
public class HDMatlabServiceHost
{
public static readonly HDMatlabServiceHost Instance = new HDMatlabServiceHost();
private HDMatlabServiceHost() { } private ServiceHost _Host; public void Start(params string[] args)
{
if (_Host == null || _Host.State == CommunicationState.Faulted || _Host.State == CommunicationState.Closed)
{
_Host = new ServiceHost(typeof(HDMatlabServiceImp));
//_Host.AddServiceEndpoint(typeof(IHDMatlabService), new NetTcpBinding(SecurityMode.None),
// ConfigurationManager.AppSettings["HDMatlabServiceURL"]
// );
var httpBing = new BasicHttpBinding(BasicHttpSecurityMode.None);
httpBing.CloseTimeout = new TimeSpan(10, 10, 10);
httpBing.MaxReceivedMessageSize = 2147483647;
httpBing.MaxBufferSize = 2147483647;
httpBing.MaxBufferPoolSize = 99999999;
httpBing.ReaderQuotas.MaxArrayLength = 99999999;
httpBing.OpenTimeout = new TimeSpan(10, 10, 10);
httpBing.SendTimeout = new TimeSpan(10, 10, 10);
httpBing.ReceiveTimeout = new TimeSpan(10, 10, 10);
httpBing.AllowCookies = true; _Host.AddServiceEndpoint(typeof(IHDMatlabService), httpBing,
ConfigurationManager.AppSettings["HDMatlabServiceURL_Http"]
); } _Host.Open();
Console.WriteLine("设备控制服务启动成功");
} public void Stop()
{
if (_Host != null) _Host.Close();
Console.WriteLine("设备控制服务关闭");
}
}
}
Windows服务

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Linq;
using System.ServiceProcess;
using System.Text;
using HD.Matlab.Service; namespace HD.Matlab.WinSrv
{
public partial class MatlabService : ServiceBase
{
public MatlabService()
{
InitializeComponent();
} protected override void OnStart(string[] args)
{
HDMatlabServiceHost.Instance.Start();
} protected override void OnStop()
{
HDMatlabServiceHost.Instance.Stop();
}
}
}
另外需要注意的是Win服务编译时需要选择AnyCpu ,使用x86时发现报错
最后对一部数据进行测试发现拟合效果还可以,多数差异在1%以内

上面代码基本就是全部了,需要完整项目留邮箱
C# + Matlab 实现计件工时基于三层BP神经网络的拟合--真实项目的更多相关文章
- 三层BP神经网络的python实现
这是一个非常漂亮的三层反向传播神经网络的python实现,下一步我准备试着将其修改为多层BP神经网络. 下面是运行演示函数的截图,你会发现预测的结果很惊人! 提示:运行演示函数的时候,可以尝试改变隐藏 ...
- 简单三层BP神经网络学习算法的推导
博客园不支持数学公式orz,我也很绝望啊!
- BP神经网络分类应用
DNA序列分类 作为研究DNA序列结构的尝试,提出以下对序列集合进行分类的问题:有20个已知类别的人工制造序列,其中序列标号1-10为A类,11-20为B类.请从中提取特征,构造分类方法,并用这些已 ...
- BP神经网络基本原理
2.1 BP神经网络基本原理 BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每一个样本包含输入向量X和期望输出量t,网 ...
- BP神经网络的基本原理
2.1 BP神经网络基本原理 BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点.经过非线形变换,产生输出信号Yk,网络训练的每一个样本包含输入向量X和期望输出量t,网 ...
- 机器学习:从编程的角度理解BP神经网络
1.简介(只是简单介绍下理论内容帮助理解下面的代码,如果自己写代码实现此理论不够) 1) BP神经网络是一种多层网络算法,其核心是反向传播误差,即: 使用梯度下降法(或其他算法),通过反向传播来不断调 ...
- 机器学习:python使用BP神经网络示例
1.简介(只是简单介绍下理论内容帮助理解下面的代码,如果自己写代码实现此理论不够) 1) BP神经网络是一种多层网络算法,其核心是反向传播误差,即: 使用梯度下降法(或其他算法),通过反向传播来不断调 ...
- BP神经网络公式推导及实现(MNIST)
BP神经网络的基础介绍见:http://blog.csdn.net/fengbingchun/article/details/50274471,这里主要以公式推导为主. BP神经网络又称为误差反向传播 ...
- NO.2:自学tensorflow之路------BP神经网络编程
引言 在上一篇博客中,介绍了各种Python的第三方库的安装,本周将要使用Tensorflow完成第一个神经网络,BP神经网络的编写.由于之前已经介绍过了BP神经网络的内部结构,本文将直接介绍Tens ...
随机推荐
- kafka配置文件详解
kafka的配置分为 broker.producter.consumer三个不同的配置 一 .BROKER 的全局配置最为核心的三个配置 broker.id.log.dir.zookeeper.con ...
- Request对象基础应用实例代码一
输入用户名:<br><input type="text" name="yhm"><br><br>输入密码:< ...
- pytest文档47-allure报告添加用例失败截图
前言 使用 selenium 做 web 自动化的时候,很多小伙伴希望用例失败的时候能截图,把异常截图展示到allure报告里面. pytest 有个很好的钩子函数 pytest_runtest_ma ...
- Jmeter请求之接口串联自动化测试(未完)
方案一:添加Cookie管理器,把用户的登录状态存在cookie管理器中,类似于浏览器 存储测试结果: 监听器->保存响应到文件,对结果进行存储 文件名前缀:保存到哪个地方前缀是什么D:\tes ...
- docker-搭建单机 kafka+zookeeper
1 zookeeper docker run --name zookeeper -p 12181:2181 -d wurstmeister/zookeeper:latest 2 kafka ...
- spring boot:actuator的安全配置:使用spring security做ip地址限制(spring boot 2.3.2)
一,actuator有哪些环节要做安全配置? actuator是应用广泛的监控工具, 但在生产环境中使用时,需要做严格的安全保障, 避免造成信息泄露等严重的安全问题 actuator可以采取的安全措施 ...
- frp 内网穿透远程桌面(Windows 10)配置
一.服务端配置 服务端需要公网环境,一般用一台云服务器就行了,我选择的是 Linux 服务器,Windows 服务器也是可以的. 下载 frp: wget https://github.com/fat ...
- centos mysql5.7安装
1. 安装 1 wget http://repo.mysql.com//mysql57-community-release-el7-11.noarch.rpm 2 rpm -ivh mysql57-c ...
- tomcat 启动失败
1.tomcat单独通过脚本可以启动,但是http://localhost:8080加载页面失败 tomcat 启动失败: a.检查JAVA_HOME和CATALINA_HOME是否配置正确:或者直接 ...
- 攻防世界-mfw
打开题目,让我们看看about这个链接是什么,我们看到了这个 他说他写这个站点用了git.php.bootstrap这很容易就能让我们想到,git源码泄露,这我们直接掏出githack, python ...