广义回归神经网络MATLAB源程序Word文件下载.docx

1、trai n datatitle（GRNN 神经网络 spread 探讨）load data;%载入数据并将数据分成训练和预测两类p_trai n=p（1:10,:p_test=p（11:13,:t_trai n=t（1:1O,:t_test=t（11:%将各个矩阵转置以便适应网络结构p_trai n=p_trai n;t_trai n=t_trai np_test=p_testt_test=t_test%将数据归一化pn ,mi np,maxp,t n,mi nt,maxt=pre mnm x（p_trai n,t_ trai n）;p2n=tra mnm x（p_test,mi np,ma

2、xp）;for sc=:1;tic,net=n ewgr nn（pn ,t n,sc）;sctoeOut=sim （n et,p2 n）;a2=post mnm x（Out,mi nt,maxt）;e=t_test-a2perf=mse（e）;Y=sim （n et,p n）;a3=post mnm x（Y,mi nt,maxt）;ep=a3-t_tra in; perfp=mse（ep）; hold on;figure（1）;title（ 网络的预测误差） plot（se,perf, g：*hold on;figure（2）;网络的逼近误差） plot（sc,perfp, r: ）;%通用感

3、应器神经网络。P= -40; 1 50;% 输入向量T=1 1 0 0 1;% 期望输出 plotpv（P,T）;% 描绘输入点图像 net=newp（-40 1;-1 50,1）;% 生成网络，其中参数分 别为输入向量的范围和神经元感应器数量 hold onlinehandle=plotpc1,1）;for a=1:25% 训练次数 net,Y,E=adapt（net,P,T）;linehandle=plotpc1,1,linehandle）; drawnow;%通用 newlin 程序 %通用线性网络进行预测 time=0:5;T=sin（time*4*pi）; Q=length（T）;P

4、=zeros（5,Q）;%P中存储信号T的前5（可变，根据需 要而定 ） 次值，作为网络输入。P（1,2:Q）=T（1,1:（Q-1）;P（2,3:（Q-2）;P（3,4:（Q-3）;P（4,5:（Q-4）;P（5,6:（Q-5）;plot（time,T）% 绘制信号 T 曲线 xlabel（ 时间 ylabel（ 目标信号 title（ 待预测信号 net=newlind（P,T）;% 根据输入和期望输出直接生成线 性网络a=sim（net,P）;% 网络测试figure（2） plot（time,a,time,T,+） xlabel（ 输出- 目标+ 输出信号和目标信号 e=T-a;fig

5、ure（3） plot（time,e） hold on plot（min（time） max（time）,0 0,）% 可 用 plot（x,zeros（size（x）,） 代替 hold off xlabel（ ylabel（ 误差 误差信号 %通用BP神经网络P=-1 -1 2 2;0 5 0 5; t=-1 -1 1 1;net=newff（minmax（P）,3,1,tansigpurelin ,traingd%输入参数依次为 : 样本 P 范围 , 各层神经元数 目, 各层传递函数 , 训练函数 %训练函数 traingd- 梯度下降法，有 7 个训练参数 . %训练函数 train

6、gdm- 有动量的梯度下降法 , 附加 1 个 训练参数mc（动量因子，缺省为%训练函数 traingda- 有自适应 lr 的梯度下降法 , 附 加 3 个训练参数 :lr_inc（ 学习率增长比，缺省为 ;% lr_dec（ 学习率下降比，缺省为 ;max_perf_inc（ 表现函数增加最大比，缺 省为%训练函数 traingdx- 有动量的梯度下降法中赋以自 适应 lr 的方法，附加 traingdm 和 traingda 的 4 个附 加参数%训练函数 trainrp- 弹性梯度下降法 , 可以消除输入 数值很大或很小时的误差，附加 4 个训练参数 : % delt_inc（ 权值变

7、化增加量，缺省为 ;delt_dec（ 权值变化减小量，缺省为 ;% delta0（ 初始权值变化，缺省为;deltamax（权值变化最大值,缺省为% 适合大型网络%训练函数 traincgf-Fletcher-Reeves 共轭梯度法 ;训练函数 traincgp-Polak-Ribiere 共轭梯度法 ;%训练函数 traincgb-Powell-Beale 共轭梯度法%共 轭梯 度法 占用 存储 空间 小, 附 加 1 训 练 参 数 searchFcn（ 一维线性搜索方法 , 缺省为 srchcha）; 缺 少 1 个训练参数 lr%训练函数 trainscg- 量化共轭梯度法 , 与

8、其他共轭 梯度法相比，节约时间.适合大型网 络% 附 加 2 个 训 练 参 数 :sigma（ 因为二次求导对权值调整的影响参数， 缺省 为;%lambda（Hessian 阵不确定性调节参数，缺省为% 缺少 1 个训练参数 :lr%训练函数 trainbfg-BFGS 拟牛顿回退法 , 收敛速度 快, 但需要更多内存 , 与共轭梯度法训练参数相同 , 适 合小网络%训练函数trainoss- 步正割的BP训练法,解决了 BFGS消耗内存的问题，与共轭梯度法训练参数相同 %训练函数 trainlm-Levenberg-Marquardt 训练法 ,用于内存充足的中小型网络net=init（n

9、et）;%最大训练次数 （ 前缺省为 10， 自 trainrp 后，缺 省为 100）% 学习率 （ 缺省为为 25）%训练要求精度 （ 缺省为 0）% 最大失败次数 （ 缺省为 5）% 最小梯度要求 （ 前缺省为 1e-10 ，自 trainrp 后，缺省为 1e-6）% 最大训练时间 （ 缺省为 inf） net,tr=train（net,P,t）; %网络训练a=sim（net,P） % 网络仿真%通用径向基函数网络%其在逼近能力 , 分类能力 , 学习速度方面均优于 BP 神 经网络%在径向基网络中 , 径向基层的散步常数是 spread 的 选取是关键%spread 越大 , 需要

10、的神经元越少 , 但精度会相应下 降 ,spread 的缺省值为 1%可以通过 net=newrbe（P,T,spread） 生成网络 , 且误 差为 0%可以通过 net=newrb（P,T,goal,spread） 生成网络 , 神经元由 1 开始增加 , 直到达到训练精度或神经元数 目最多为止%GRN网络,迅速生成广义回归神经网络（GRNN）P=4 5 6;T= ;net=newgrnn（P,T）;%仿真验证p=;v=sim（net,p）%PNI网络,概率神经网络P=0 0 ;1 1;0 3;1 4;3 1;4 1;4 3Tc=1 1 2 2 3 3 3;%将期望输出通过 ind2vec

11、（） 转换, 并设计、验证网络T=ind2vec（Tc）;net=newpnn（P,T）;Y=sim（net,P）;Yc=vec2ind（Y）%尝试用其他的输入向量验证网络P2=1 4;0 1;5 2Y=sim（net,P2）;%应用 newrb（） 函数构建径向基网络 , 对一系列数据点 进行函数逼近P=-1:T= . ;%绘制训练用样本的数据点r* 训练样本 xlabel（ 输入向量 P 目标向量 T%设计一个径向基函数网络，网络有两层 , 隐层为径向 基神经元 , 输出层为线性神经元%绘制隐层神经元径向基传递函数的曲线p=-3:.1:3;a=radbas（p）;plot（p,a） 径向基

12、传递函数 输入向量 p%隐层神经元的权值、 阈值与径向基函数的位置和宽度 有关, 只要隐层神经元数目、权值、阈值正确 , 可逼近 任意函数 %例如 a2=radbas;a3=radbas（p+2）; a4=a+a2*+a3*;plot（p,a,b,p,a2,g,p,a3,r,p,a4,m-） title（ 径向基传递函数权值之和 输入 p 输出 a%应用 newrb（） 函数构建径向基网络的时候 , 可以预先 设定均方差精度 eg 以及散布常数 sc eg=;sc=1; %其值的选取与最终网络的效果有很大关系, 过小造成过适性 , 过大造成重叠性 net=newrb（P,T,eg,sc）;%网

13、络测试 plot（P,T, 输入 X=-1:.01: Y=sim（net,X）; hold onplot（X,Y）; hold off legend（ 目标 输出 ） %应用 grnn 进行函数逼近 P=1 2 3 4 5 6 7 8; T=0 1 2 3 2 1 2 1; plot（P,T,.markersize,30） axis（0 9 -1 4） title（ 待逼近函数 P） ylabel（T） %网络设计%对于离散数据点 , 散布常数 spread 选取比输入向量 之间的距离稍小一些 spread=;net=newgrnn（P,T,spread）; %网络测试A=sim（net,P）

14、; hold on outputline=plot（P,A,10,color ,1 0 0）; 检测网络 T 和 A） %应用 pnn 进行变量的分类 P=1 2;2 2;1 1; % 输入向量Tc=1 2 3; %P对应的三个期望输出%绘制出输入向量及其相对应的类别 plot（P（1,:）,P（2,:）,30） for i=1:3text（P（1,i）+,P（2,i）,sprintf（class %g,Tc（i） endaxis（0 3 0 3）; 三向量及其类别 P（1,:）P（2,:spread=1; net=newgrnn（P,T,speard）;%网络测试 A=sim（net,P）;Ac=vec2ind（A）; %绘制输入向量及其相应的网络输出plot（P（1,:,30）,Ac（i） end 网络测试结果