广义回归神经网络MATLAB源程序文档格式.doc
- 文档编号:1451366
- 上传时间:2023-04-30
- 格式:DOC
- 页数:15
- 大小:24KB
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)》请在冰点文库上搜索。
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'
输入p'
输出a'
%应用newrb()函数构建径向基网络的时候,可以预先设定均方差精度eg以及散布常数sc
eg=0.02;
sc=1;
%其值的选取与最终网络的效果有很大关系,过小造成过适性,过大造成重叠性
net=newrb(P,T,eg,sc);
输入'
X=-1:
.01:
Y=sim(net,X);
plot(X,Y);
目标'
输出'
%应用grnn进行函数逼近
P=[12345678];
T=[01232121];
.'
markersize'
30)
axis([09-14])
待逼近函数'
P'
T'
%网络设计
%对于离散数据点,散布常数spread选取比输入向量之间的距离稍小一些
spread=0.7;
net=newgrnn(P,T,spread);
A=sim(net,P);
outputline=plot(P,A,'
10,'
color'
[100]);
检测网络'
T和A'
%应用pnn进行变量的分类
P=[12;
22;
11];
%输入向量
Tc=[123];
%P对应的三个期望输出
%绘制出输入向量及其相对应的类别
plot(P(1,:
),P(2,:
),'
3
text(P(1,i)+0.1,P(2,i),sprintf('
class%g'
Tc(i)))
axis([0303]);
三向量及其类别'
P(1,:
)'
P(2,:
spread=1;
net=newgrnn(P,T,speard);
Ac=vec2ind(A);
%绘制输入向量及其相应的网络输出
Ac(i)))
网络测试结果'
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 广义 回归 神经网络 MATLAB 源程序