广义回归神经网络MATLAB源程序Word文件下载.docx
《广义回归神经网络MATLAB源程序Word文件下载.docx》由会员分享，可在线阅读，更多相关《广义回归神经网络MATLAB源程序Word文件下载.docx（9页珍藏版）》请在冰点文库上搜索。
traindata'
title（'
GRNN神经网络spread探讨'
）
loaddata;
%载入数据并将数据分成训练和预测两类
p_train=p（1:
10,:
p_test=p（11:
13,:
t_train=t（1:
1O,:
t_test=t（11:
%将各个矩阵转置以便适应网络结构
p_train=p_train'
;
t_train=t_train'
p_test=p_test'
t_test=t_test'
%将数据归一化
[pn,minp,maxp,tn,mint,maxt]=premnmx（p_train,t_train）;
p2n=tramnmx（p_test,minp,maxp）;
forsc=:
1;
tic,
net=newgrnn（pn,tn,sc）;
sc
toe
Out=sim（net,p2n）;
a2=postmnmx（Out,mint,maxt）;
e=t_test-a2'
perf=mse（e）;
Y=sim（net,pn）;
a3=postmnmx（Y,mint,maxt）;
ep=a3-t_train;
perfp=mse（ep）;
holdon;
figure
（1）;
title（'
网络的预测误差'
）plot（se,perf,'
g：
*'
holdon;
figure
（2）;
网络的逼近误差'
）plot（sc,perfp,'
r:
）;
%通用感应器神经网络。
P=[-40;
150];
%输入向量
T=[11001];
%期望输出plotpv（P,T）;
%描绘输入点图像net=newp（[-401;
-150],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holdon
linehandle=plotpc{1},{1}）;
fora=1:
25%训练次数[net,Y,E]=adapt（net,P,T）;
linehandle=plotpc{1},{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=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;
figure（3）plot（time,e）holdonplot（[min（time）max（time）],[00],'
'
）%可用plot（x,zeros（size（x））,'
）代替holdoffxlabel（'
ylabel（'
误差'
误差信号'
%通用BP神经网络
P=[-1-122;
0505];
t=[-1-111];
net=newff（minmax（P）,[3,1],{'
tansig'
purelin'
},'
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traingdm--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（net）;
%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=[456];
T=[];
net=newgrnn（P,T）;
%仿真验证
p=;
v=sim（net,p）
%PNI网络,概率神经网络
P=[00;
11;
03;
14;
31;
41;
43]'
Tc=[1122333];
%将期望输出通过ind2vec（）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=[14;
01;
52]'
Y=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sceg=;
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）;
%网络测试plot（P,T,'
输入'
X=-1:
.01:
Y=sim（net,X）;
holdon
plot（X,Y）;
holdofflegend（'
目标'
输出'
）%应用grnn进行函数逼近P=[12345678];
T=[01232121];
plot（P,T,'
.'
markersize'
30）axis（[09-14]）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）;
holdonoutputline=plot（P,A,'
10,'
color'
[100]）;
检测网络'
T和A'
）%应用pnn进行变量的分类P=[12;
22;
11];
%输入向量
Tc=[123];
%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）fori=1:
3
text（P（1,i）+,P（2,i）,sprintf（'
class%g'
Tc（i）））end
axis（[0303]）;
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'
升级会员 