广义回归神经网络MATLAB源程序文档格式.doc
《广义回归神经网络MATLAB源程序文档格式.doc》由会员分享，可在线阅读，更多相关《广义回归神经网络MATLAB源程序文档格式.doc（15页珍藏版）》请在冰豆网上搜索。
o'
）;
legend（'
spread=0.05'
spread=0.2'
spread=0.4'
spread=0.6'
spread=0.8'
traindata'
title（'
GRNN神经网络spread探讨'
）
loaddata;
%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:
t_test=t（11:
%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）;
forsc=0.1:
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）;
holdon;
figure
（1）;
title（'
网络的预测误差'
plot（sc,perf,'
g:
*'
figure
（2）;
网络的逼近误差'
plot（sc,perfp,'
r:
%通用感应器神经网络。
P=[-0.5-0.50.3-0.1-40;
-0.50.5-0.5150];
%输入向量
T=[11001];
%期望输出
plotpv（P,T）;
%描绘输入点图像
net=newp（[-401;
-150],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
holdon
linehandle=plotpc（net.iw{1},net.b{1}）;
net.adaptparam.passes=3;
fora=1:
25%训练次数
[net,Y,E]=adapt（net,P,T）;
linehandle=plotpc（net.iw{1},net.b{1},linehandle）;
drawnow;
%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-2））;
P（3,4:
（Q-3））;
P（4,5:
（Q-4））;
P（5,6:
（Q-5））;
plot（time,T）%绘制信号T曲线
xlabel（'
时间'
ylabel（'
目标信号'
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,'
+'
输出-目标+'
输出信号和目标信号'
e=T-a;
figure（3）
plot（time,e）
plot（[min（time）max（time）],[00],'
'
）%可用plot（x,zeros（size（x））,'
）代替
holdoff
误差'
误差信号'
%通用BP神经网络
P=[-1-122;
0505];
t=[-1-111];
net=newff（minmax（P）,[3,1],{'
tansig'
purelin'
},'
traingd'
%输入参数依次为:
样本P范围'
[各层神经元数目],{各层传递函数},'
训练函数'
%训练函数traingd--梯度下降法，有7个训练参数.
%训练函数traingdm--有动量的梯度下降法,附加1个训练参数mc（动量因子，缺省为0.9）
%训练函数traingda--有自适应lr的梯度下降法,附加3个训练参数:
lr_inc（学习率增长比，缺省为1.05;
%
lr_dec（学习率下降比，缺省为0.7）;
max_perf_inc（表现函数增加最大比，缺省为1.04）
%训练函数traingdx--有动量的梯度下降法中赋以自适应lr的方法，附加traingdm和traingda的4个附加参数
%训练函数trainrp--弹性梯度下降法,可以消除输入数值很大或很小时的误差，附加4个训练参数:
delt_inc（权值变化增加量，缺省为1.2）;
delt_dec（权值变化减小量，缺省为0.5）;
delta0（初始权值变化，缺省为0.07）;
deltamax（权值变化最大值,缺省为50.0）
适合大型网络
%训练函数traincgf--Fletcher-Reeves共轭梯度法;
训练函数traincgp--Polak-Ribiere共轭梯度法;
%训练函数traincgb--Powell-Beale共轭梯度法
%共轭梯度法占用存储空间小,附加1训练参数searchFcn（一维线性搜索方法,缺省为srchcha）;
缺少1个训练参数lr
%训练函数trainscg--量化共轭梯度法,与其他共轭梯度法相比，节约时间.适合大型网络
附加2个训练参数:
sigma（因为二次求导对权值调整的影响参数，缺省为5.0e-5）;
lambda（Hessian阵不确定性调节参数，缺省为5.0e-7）
缺少1个训练参数:
lr
%训练函数trainbfg--BFGS拟牛顿回退法,收敛速度快,但需要更多内存,与共轭梯度法训练参数相同,适合小网络
%训练函数trainoss--一步正割的BP训练法,解决了BFGS消耗内存的问题,与共轭梯度法训练参数相同
%训练函数trainlm--Levenberg-Marquardt训练法,用于内存充足的中小型网络
net=init（net）;
net.trainparam.epochs=300;
%最大训练次数（前缺省为10,自trainrp后，缺省为100）
net.trainparam.lr=0.05;
%学习率（缺省为0.01）
net.trainparam.show=50;
%限时训练迭代过程（NaN表示不显示，缺省为25）
net.trainparam.goal=1e-5;
%训练要求精度（缺省为0）
%net.trainparam.max_fail
最大失败次数（缺省为5）
%net.trainparam.min_grad
最小梯度要求（前缺省为1e-10，自trainrp后，缺省为1e-6）
%net.trainparam.time
最大训练时间（缺省为inf）
[net,tr]=train（net,P,t）;
%网络训练
a=sim（net,P）
%网络仿真
%通用径向基函数网络——
%其在逼近能力,分类能力,学习速度方面均优于BP神经网络
%在径向基网络中,径向基层的散步常数是spread的选取是关键
%spread越大,需要的神经元越少,但精度会相应下降,spread的缺省值为1
%可以通过net=newrbe（P,T,spread）生成网络,且误差为0
%可以通过net=newrb（P,T,goal,spread）生成网络,神经元由1开始增加,直到达到训练精度或神经元数目最多为止
%GRNN网络,迅速生成广义回归神经网络（GRNN）
P=[456];
T=[1.53.66.7];
net=newgrnn（P,T）;
%仿真验证
p=4.5;
v=sim（net,p）
%PNN网络,概率神经网络
P=[00;
11;
03;
14;
31;
41;
43]'
Tc=[1122333];
%将期望输出通过ind2vec（）转换,并设计、验证网络
T=ind2vec（Tc）;
net=newpnn（P,T）;
Y=sim（net,P）;
Yc=vec2ind（Y）
%尝试用其他的输入向量验证网络
P2=[14;
01;
52]'
Y=sim（net,P2）;
%应用newrb（）函数构建径向基网络,对一系列数据点进行函数逼近
P=-1:
0.1:
T=[-0.9602-0.5770-0.07290.37710.64050.66000.4609...
0.1336-0.2013-0.4344-0.500-0.3930-0.1647-0.0988...
0.30720.39600.34490.1816-0.0312-0.2189-0.3201];
%绘制训练用样本的数据点
r*'
训练样本'
输入向量P'
目标向量T'
%设计一个径向基函数网络，网络有两层,隐层为径向基神经元,输出层为线性神经元
%绘制隐层神经元径向基传递函数的曲线
p=-3:
.1:
3;
a=radbas（p）;
plot（p,a）
径向基传递函数'
输入向量p'
%隐层神经元的权值、阈值与径向基函数的位置和宽度有关,只要隐层神经元数目、权值、阈值正确,可逼近任意函数
%例如
a2=radbas（p-1.5）;
a3=radbas（p+2）;
a4=a+a2*1.5+a3*0.5;
plot（p,a,'
b'
p,a2,'
g'
p,a3,'
r'
p,a4,'
m--'
径向基传递函数权值之和'
升级会员 