【MATLAB第88期】基于MATLAB的6种神经网络（ANN、FFNN、CFNN、RNN、GRNN、PNN）多分类预测模型对比含交叉验证

前言

本文介绍六种类型的神经网络分类预测模型

1.模型选择

前馈神经网络 (FFNN)
人工神经网络 (ANN)
级联前向神经网络 (CFNN)
循环神经网络 (RNN)
广义回归神经网络 (GRNN)
概率神经网络 (PNN)

2.数据情况

357行样本，12输入，1输出，4分类。

无交叉验证情况，默认70%训练，30%测试。

clike 复制代码

     %%  导入数据
res = xlsread('数据集C.xlsx');
feat=res(:,1:end-1);
label=res(:,end);
T_sim1  = []; T_sim2  = []; 
ytest2 = []; 
ytrain2 = []; 
ho=0.3;%测试集的比例

3.程序使用

更改type类型即可自动筛选模型并运行。

clike 复制代码

switch type
  case 'NN'     ;
  case 'FFNN'   ; 
  case 'CFNN'   ; 
  case 'RNN'    ; 
  case 'GRNN'   ;
  case 'PNN'    ;
end

4.通用参数

Hidden_size = [10,10];%隐含层神经元

Max_epochs = 50; %最大训练次数

tf = 1; %2为交叉验证， 1无交叉验证。

一、前馈神经网络 (FFNN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折

二、级联前向神经网络 (CFNN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折

三、广义回归神经网络 (GRNN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折
num_spread=1;

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折
num_spread=1;

四、人工神经网络 (NN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折

五、循环神经网络 (RNN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折

六、循环神经网络 (RNN)

1、无交叉验证

clike 复制代码

tf            = 1;  %2为交叉验证， 1无交叉验证。
kfold         = 1; %K折
num_spread = 100;

2、有交叉验证（3折为例）

clike 复制代码

tf            = 2;  %2为交叉验证， 1无交叉验证。
kfold         = 3; %K折
num_spread = 100;

七、代码获取

1.阅读首页置顶文章

2.关注CSDN

3.根据自动回复消息，回复"88期"以及相应指令，即可获取对应下载方式。