广义回归神经网络MATLAB源程序.doc

GRNN神经网络---广义回归神经网络，主要用于函数逼近。 ? x=-2:0.01:1y=2*x.^6+3*x.^5-3*x.^3+x.^2+1P=x(1:15:end)T=y(1:15:end)spread=[0.05 0.2 0.4 0.6 0.8];l_style={r.-,bo--,ko-.,k*--,r^-};for i=1:length(spread)??? net=newgrnn(P,T,spread(i));??? a=sim(net,P);??? plot(P,a,l_style{i})??? hold on endplot(P,T,o);legend(spread=0.05,spread=0.2,spread=0.4,spread=0.6,spread=0.8,train data);title(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_train=p(1:10,:); p_test=p(11:13,:); t_train=t(1:10,:); t_test=t(11:13,:); % 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); for sc=0.1:0.01:1; tic, net=newgrnn(pn,tn,sc); sc toc 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); hold on; figure(1); title(网络的预测误差) plot(sc,perf,g:*); hold on; figure(2); title(网络的逼近误差) plot(sc,perfp,r:*); end %通用感应器神经网络。P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 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=plotpc(net.iw{1},net.b{1});net.adaptparam.passes=3;for a=1:25%训练次数[net,Y,E]=adapt(net,P,T);linehandle=plotpc(net.iw{1},net.b{1},linehandle);drawnow;end%通用newlin程序%通用线性网络进行预测time=0:0.025:5;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)=T(1,1:(Q-2));P(3,4:Q)=T(1,1:(Q-3));P(4,5:Q)=T(1,1:(Q-4));P(5,6:Q)=T(1,1:(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(时间);ylabel(输出-目标+);title(输出信号和目标信号);e=T-a;figure(3)plot(time,e)hold onplot([min(time) max(time)],[0 0],r:)%可用plot(x,zeros(size(x)),r:)代替hold offxlabel(时间);ylabel(误差);title(误差信号);%通用BP