基于GRNN货运量预测案例分析与源代码.pdfVIP

案例8:GRNN的数据预测—基于广义回归神经网络的货运量预测

该案例作者:

1:长期驻扎在此板块里,对该案例提问,做到有问必答。本套书籍为:

.2:从当当预定本书:《Matlab神经网络30个案例分析》。3:此案例有配套

的教学,方式v/vbuy.html。4:此案例为案例,请注明出处

(《Matlab神经网络30个案例分析》)。5:若此案例碰巧与您的研究有关联,我们提意见,要求

等,我们考虑后可以加在案例里。

内容

清空环境变量载入数据交叉

验证采用最佳方法建立

GRNN网络

清空环境变量

clc;

clearall

closeall

nntwarnoff;

载入数据

loaddata;

%载入数据并将数据分成训练和预测两类

p_train=p(1:12,:);

t_train=t(1:12,:);

p_test=p(13,:);

t_test=t(13,:);

交叉验证

desired_spread=[];

mse_max=10e20;

desired_input=[];

desired_output=[];

result_perfp=[];

indices=crossvalind(Kfold,length(p_train),4);

h=waitbar(0,正在寻找最优化参数)

=14

=1=[][]

k;fori:perfp;disp(以下为第,num2str(i),次交叉验证结果)test(indices

=~==

i);train

test;p_cv_trainp_train(train,:);t_cv_traint_train(train,:);p_cv_test

===

p_train(test,:);t_cv_testt_train(test,:);p_cv_trainp_cv_train;t_cv_traint_cv_train;

=[]

p_cv_testp_cv_test;t_cv_testt_cv_test;p_cv_train,minp,maxp,t_cv_train,mint,maxt

==0

premnmx(p_cv_train,t_cv_train);p_cv_testtramnmx(p_cv_test,minp,maxp);forspread.

2=80,