Grnn神经网络实现程序(基于Matlab).doc
《Grnn神经网络实现程序(基于Matlab).doc》由会员分享，可在线阅读，更多相关《Grnn神经网络实现程序(基于Matlab).doc（3页珍藏版）》请在冰点文库上搜索。
%%注本程序代码主体部分引自《MATLAB神经网络30个案例分析》
%%为大家使用方便，本人在文件读入和输出部分做了修改，同时对关键语句进行了注释
%%清空环境变量
clc;
clearall
closeall
nntwarnoff;
%%载入数据
%建模数据_训练样本
loadD:
\NNS\in.txt
loadD:
\NNS\out.txt
%检验数据_测试样本
loadD:
\NNS\testin.txt
loadD:
\NNS\testout.txt
%载入数据并将数据分成训练和预测两类
p_train=in;
t_train=out;
p_test=testin;
t_test=testout;
%%交叉验证
desired_spread=[];
mse_max=10e20;
desired_input=[];
desired_output=[];
result_perfp=[];
indices=crossvalind（'Kfold',length（p_train）,4）;%交叉验证函数，这里的4表示4折，即将length（p_train）个样本分成4组。
h=waitbar（0,'正在寻找最优化参数....'）%进度条,h为句柄
k=1;
fori=1:
4%这里4是将元数据分为4份，其中3/4用来训练，1/4用来检验
perfp=[];
disp（['以下为第',num2str（i）,'次交叉验证结果']）%disp：
显示函数，num2srt：
数字转字符
test=（indices==i）;train=~test;%为test及train赋值，注意这里的test及train均为逻辑值
p_cv_train=p_train（train,:
）;%通过逻辑值实现数据调取，从建模数据中选取
t_cv_train=t_train（train,:
）;%通过逻辑值实现数据调取，从建模数据中选取
p_cv_test=p_train（test,:
）;%通过逻辑值实现数据调取，从建模数据中选取
t_cv_test=t_train（test,:
）;%通过逻辑值实现数据调取，从建模数据中选取
p_cv_train=p_cv_train';%转置
t_cv_train=t_cv_train';%转置
p_cv_test=p_cv_test';%转置
t_cv_test=t_cv_test';%转置
[p_cv_train,minp,maxp,t_cv_train,mint,maxt]=premnmx（p_cv_train,t_cv_train）;%premnmx（）:
将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。
p_cv_test=tramnmx（p_cv_test,minp,maxp）;%tramnmx（）:
使网络所用的新数据和样本数据接受相同的预处理。
forspread=0.1:
0.1:
2;
net=newgrnn（p_cv_train,t_cv_train,spread）;
waitbar（k/80,h）;
disp（['当前spread值为',num2str（spread）]）;
test_Out=sim（net,p_cv_test）;
test_Out=postmnmx（test_Out,mint,maxt）;%postmnmx（）依照预处理的最大值最小值反向归一化。
error=t_cv_test-test_Out;
disp（['当前网络的mse为',num2str（mse（error））]）%mse（）为均方函数。
perfp=[perfpmse（error）];
ifmse（error）mse_max=mse（error）;
desired_spread=spread;
desired_input=p_cv_train;
desired_output=t_cv_train;
end
k=k+1;
end
result_perfp（i,:
）=perfp;
end;
close（h）
disp（['最佳spread值为',num2str（desired_spread）]）
disp（['此时最佳输入值为']）
desired_input;
disp（['此时最佳输出值为']）
desired_output;
%%采用最佳方法建立GRNN网络
net=newgrnn（desired_input,desired_output,desired_spread）;
p_test=p_test';
p_test=tramnmx（p_test,minp,maxp）;%依照预定最大值及最小值进行归一化。
grnn_prediction_result=sim（net,p_test）;%利用已经建立的网络模型进行预测。
grnn_prediction_result=postmnmx（grnn_prediction_result,mint,maxt）;
grnn_prediction_result=grnn_prediction_result';%转置预测结果。
grnn_error=t_test-grnn_prediction_result;%模拟与实测误差。
disp（['GRNN神经网络三项流量预测的误差为',num2str（mse（grnn_error））]）
%%预测结果导出模块
save'D:
\OUT\grnn_desired_input.txt'desired_input-ascii;%导出优化建模数据-输入
save'D:
\OUT\grnn_desired_output.txt'desired_output-ascii;%导出优化建模数据-输出
save'D:
\OUT\grnn_p_test.txt'p_test-ascii;%导出预测输入数据
%可对比
save'D:
\OUT\grnn_t_test.txt't_test-ascii;%导出实测数据
save'D:
\OUT\grnn_prediction_result.txt'"ninhao"grnn_prediction_result-ascii;%导出预测数据
升级会员 