9 RBF、GRNN和PNN神经网络案例matlab参考程序

%% 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 iris_data.mat

%%
% 2 随机产生训练集和测试集
P_train = [];
T_train = [];
P_test = [];
T_test = [];
for i = 1:3
temp_input = features((i-1)50+1:i50,:);
temp_output = classes((i-1)50+1:i50,:);
n = randperm(50);
% 训练集——120个样本
P_train = [P_train temp_input(n(1:40)????’];
T_train = [T_train temp_output(n(1:40)????’];
% 测试集——30个样本
P_test = [P_test temp_input(n(41:50)????’];
T_test = [T_test temp_output(n(41:50)????’];
end

%% III. 模型建立
result_grnn = [];
result_pnn = [];
time_grnn = [];
time_pnn = [];
for i = 1:4 %两个FOR 取出4个特征的总共十种自由组合
for j = i:4
%1,2 1,3 1,4 2,3 2,4 3,4 1,2,3 1,2,4 1,2,3,4 2,3,4
p_train = P_train(i:j,:);
p_test = P_test(i:j,:);
%%
% 1. GRNN创建及仿真测试
t = cputime; %开始计时
% 创建网络
net_grnn = newgrnn(p_train,T_train);
% 仿真测试
t_sim_grnn = sim(net_grnn,p_test);
T_sim_grnn = round(t_sim_grnn); %取整操作
t = cputime - t; %得到这段代码运行的时间
time_grnn = [time_grnn t];
result_grnn = [result_grnn T_sim_grnn’];
%%
% 2. PNN创建及仿真测试
t = cputime;
Tc_train = ind2vec(T_train);
% 创建网络
net_pnn = newpnn(p_train,Tc_train);
% 仿真测试
Tc_test = ind2vec(T_test); %转换成稀疏矩阵
……
……
……
（省略部分代码，完整代码可以下载）
……
……
……
end
end

%% IV. 性能评价
%%
% 1. 正确率accuracy
accuracy_grnn = [];
accuracy_pnn = [];
……
……
……
（省略部分代码，完整代码可以下载）
……
……
……
end

%%
% 2. 结果对比
result = [T_test’ result_grnn result_pnn]
accuracy = [accuracy_grnn;accuracy_pnn]
time = [time_grnn;time_pnn]

%% V. 绘图
figure(1)
plot(1:30,T_test,‘bo’,1:30,result_grnn(:,4),‘r-*’,1:30,result_pnn(:,4),‘k:^’)
grid on
xlabel(‘测试集样本编号’)
ylabel(‘测试集样本类别’)
string = {‘测试集预测结果对比(GRNN vs PNN)’;[‘正确率:’ num2str(accuracy_grnn(4)100) ‘%(GRNN) vs ’ num2str(accuracy_pnn(4)100) ‘%(PNN)’]};
title(string)
legend(‘真实值’,‘GRNN预测值’,‘PNN预测值’)
figure(2)
plot(1:10,accuracy(1,:),'r-’,1:10,accuracy(2,:),‘b:o’)
grid on
xlabel(‘模型编号’)
ylabel(‘测试集正确率’)
title(‘10个模型的测试集正确率对比(GRNN vs PNN)’)
legend(‘GRNN’,‘PNN’)
figure(3)
plot(1:10,time(1,:),'r-’,1:10,time(2,:),‘b:o’)
grid on
xlabel(‘模型编号’)
ylabel(‘运行时间(s)’)
title(‘10个模型的运行时间对比(GRNN vs PNN)’)
legend(‘GRNN’,‘PNN’)
%看一下 edit newgrnn 97hang edit newpnn
9 RBF、GRNN和PNN神经网络案例matlab参考程序

%% 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)????’;
……
……
……
（省略部分代码，完整代码可以下载）
……
……
……

%% 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’)
……
……
……
（省略部分代码，完整代码可以下载）
……
……
……

(完整代码及资料下载地址)
9 RBF、GRNN和PNN神经网络案例matlab参考程序.zip-****下载 https://download.****.net/download/weixin_44356700/11859465

新上线了一门视频课程——二十八天精通matlab基础编程-在线****-****学院 https://edu.****.net/course/detail/24947

9 RBF、GRNN和PNN神经网络案例matlab参考程序

相关推荐