MATLAB——RBF、GRNN和PNN神经网络案例参考程序

欢迎关注"电击小子程高兴的MATLAB小屋"

%------------RBF程序实例

%% I. 清空环境变量

clear all

clc

%% II. 训练集/测试集产生

%%

% 1. 导入数据

load spectra_data.mat

%%

% 2. 随机产生训练集和测试集

temp = randperm(size(NIR,1));

% 训练集------50个样本

P_train = NIR(temp(1:50),:)';

T_train = octane(temp(1:50),:)';

% 测试集------10个样本

P_test = NIR(temp(51:end),:)';

T_test = octane(temp(51:end),:)';

N = size(P_test,2);

%% III. RBF神经网络创建及仿真测试

%%

% 1. 创建网络

net = newrbe(P_train,T_train,0.09); %这里spread设置为30

%创建之后可以通过 w1=net.iw{1,1}; 隐含层和输入层的连接权值

%看看W1的转置是不是跟P_train 元素相等 isequal(w1',P_train)

%% b1=net.b{1}; edit newrbe 127 hang 30 看看相等不 sqrt(-log(.5))/30

%可以调整spread 设置newrbe中的断点x = t/a1; ones(1,q); 运行 创建网络的函数语句

% 2. 仿真测试

T_sim = sim(net,P_test);

%% IV. 性能评价

%%

% 1. 相对误差error

error = abs(T_sim - T_test)./T_test;

%%

% 2. 决定系数R^2

R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));

%%

% 3. 结果对比

result = T_test' T_sim' error'

%% V. 绘图

figure

plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')

legend('真实值','预测值')

xlabel('预测样本')

ylabel('辛烷值')

string = {'测试集辛烷值含量预测结果对比';'R\^2=' num2str(R2)};

title(string)