本篇內(nèi)容介紹了“matlab廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的數(shù)據(jù)實例預(yù)測分析”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！
成都創(chuàng)新互聯(lián)公司專注于企業(yè)成都全網(wǎng)營銷推廣、網(wǎng)站重做改版、赤坎網(wǎng)站定制設(shè)計、自適應(yīng)品牌網(wǎng)站建設(shè)、H5技術(shù)、商城系統(tǒng)網(wǎng)站開發(fā)、集團公司官網(wǎng)建設(shè)、成都外貿(mào)網(wǎng)站建設(shè)公司、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計等建站業(yè)務(wù)，價格優(yōu)惠性價比高，為赤坎等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。
廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是徑向基神經(jīng)網(wǎng)絡(luò)（RBF）的一種，GRNN具有很強的非線性映射能力和學(xué)習(xí)速度，比RBF具有更強的優(yōu)勢，網(wǎng)絡(luò)最后收斂于樣本量集聚較多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)少時，預(yù)測效果也較好。此外，網(wǎng)絡(luò)還可以處理不穩(wěn)定的數(shù)據(jù)，因此GRNN在很多領(lǐng)域得到應(yīng)用。
%% 清空環(huán)境變量
clc;
clear
close all
nntwarn off;
%% 載入數(shù)據(jù)
load data;
% 載入數(shù)據(jù)并將數(shù)據(jù)分成訓(xùn)練和預(yù)測兩類
p_train=p(1:12,:);
t_train=t(1:12,:);
p_test=p(13,:);
t_test=t(13,:);
%% 交叉驗證
desired_spread=[];
mse_max=10e20;
desired_input=[];
desired_output=[];
result_perfp=[];
indices = crossvalind('Kfold',length(p_train),4);
h=waitbar(0,'正在尋找最優(yōu)化參數(shù)....');
k=1;
for i = 1:4
perfp=[];
disp(['以下為第',num2str(i),'次交叉驗證結(jié)果'])
test = (indices == i); train = ~test;
p_cv_train=p_train(train,:);
t_cv_train=t_train(train,:);
p_cv_test=p_train(test,:);
t_cv_test=t_train(test,:);
p_cv_train=p_cv_train';
t_cv_train=t_cv_train';
p_cv_test= p_cv_test';
t_cv_test= t_cv_test';
[p_cv_train,minp,maxp,t_cv_train,mint,maxt]=premnmx(p_cv_train,t_cv_train);
p_cv_test=tramnmx(p_cv_test,minp,maxp);
for spread=0.1:0.1:2
net=newgrnn(p_cv_train,t_cv_train,spread);
waitbar(k/80,h);
disp(['當(dāng)前spread值為', num2str(spread)]);
test_Out=sim(net,p_cv_test);
test_Out=postmnmx(test_Out,mint,maxt);
error=t_cv_test-test_Out;
disp(['當(dāng)前網(wǎng)絡(luò)的mse為',num2str(mse(error))])
perfp=[perfp mse(error)];
if mse(error) mse_max=mse(error); desired_spread=spread; desired_input=p_cv_train; desired_output=t_cv_train; end k=k+1; end result_perfp(i,:)=perfp; end;
close(h)
disp(['最佳spread值為',num2str(desired_spread)])
disp('此時最佳輸入值為')
disp(desired_input)
disp('此時最佳輸出值為')
disp(desired_output)
%% 采用最佳方法建立GRNN網(wǎng)絡(luò)
net=newgrnn(desired_input,desired_output,desired_spread);
p_test=p_test';
p_test=tramnmx(p_test,minp,maxp);
grnn_prediction_result=sim(net,p_test);
grnn_prediction_result=postmnmx(grnn_prediction_result,mint,maxt);
grnn_error=t_test-grnn_prediction_result';
disp(['GRNN神經(jīng)網(wǎng)絡(luò)三項流量預(yù)測的誤差為',num2str(abs(grnn_error))])
save best desired_input desired_output p_test t_test grnn_error mint maxt
“matlab廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的數(shù)據(jù)實例預(yù)測分析”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！
重慶分公司
重慶分公司
