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

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_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