Grnn神经网络实现程序(基于Matlab).docVIP

%% 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; clear all close all nntwarn off; %% 载入数据 %建模数据_训练样本 load D:\NNS\in.txt load D:\NNS\out.txt %检验数据_测试样本 load D:\NNS\testin.txt load D:\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; for i = 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。 for spread=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=[perfp mse(error)]; if mse(error)mse_max 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]) des