广义回归神经网络MATLAB源程序文档格式.doc

1、o）;legend（spread=0.05spread=0.2spread=0.4spread=0.6spread=0.8train datatitle（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: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_trainp_test=p_testt_test=t_test% 将数据归一化pn,minp,maxp,tn,mint,maxt=premnmx（p_tra

2、in,t_train）;p2n=tramnmx（p_test,minp,maxp）;for sc=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）; hold on; figure（1）; title（网络的预测误差 plot（sc,perf,g:* figure（2）;网络的逼近误

3、差 plot（sc,perfp,r:%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.iw1,net.b1）;net.adaptparam.passes=3;for a=1:25%训练次数net,Y,E=adapt（net,P,T）;linehandle=plotpc（net.iw1,net

4、.b1,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

5、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）,0 0,）%可用plot（x,zeros（size（x）,）代替hold off误差误差信号%通用BP神经网络P=-1 -1 2 2;0 5 0 5;t=-1 -1 1 1;net=newff（minmax（P）,3,1,tansigpurelin,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trai

6、ngdm-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

7、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

8、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.trai

9、nparam.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

10、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=4 5 6;T=1.5 3.6 6.7;net=newgrnn（P,T）;%仿真验证p=4.5;v=sim（net,p）%PNN网络,

11、概率神经网络P=0 0 ;1 1;0 3;1 4;3 1;4 1;4 3Tc=1 1 2 2 3 3 3;%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=1 4;0 1;5 2Y=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 -0.0729 0.3771 0.6405 0.6600 0.4609.0.1336 -0.2013 -0.4344 -

12、0.500 -0.3930 -0.1647 -0.0988.0.3072 0.3960 0.3449 0.1816 -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