搜索
%%注本程序代码主体部分引自《MATLAB神经网络30个案例分析》%%为大家使用方便，本人在文件读入和输出部分做了修改，同时对关键语句进行了注释%%清空环境变量clc;clearallcloseallnntwarnoff;%%载入数据%建模数据_训练样本loadD:\NNS\in.txtloadD:\NNS\out.txt%检验数据_测试样本loadD:\NNS\testin.txtloadD:\NNS\testout.txt%载入数据并将数据分成训练和预测两类p_train=in;t_train=out;p_test=testin;t_test=testout;%%交叉验证desired_spread=[];mse_max=10e20;desired_input=[];desired_output=[];result_perfp=[];indices=crossvalind('Kfold',length(p_train),4);%交叉验证函数，这里的4表示4折，即将length(p_train)个样本分成4组。h=waitbar(0,'正在寻找最优化参数....')%进度条,h为句柄k=1;fori=1:4%这里4是将元数据分为4份，其中3/4用来训练，1/4用来检验perfp=[];disp(['以下为第',num2str(i),'次交叉验证结果'])%disp：显示函数，num2srt：数字转字符test=(indices==i);train=~test;%为test及train赋值，注意这里的test及train均为逻辑值p_cv_train=p_train(train,:);%通过逻辑值实现数据调取，从建模数据中选取t_cv_train=t_train(train,:);%通过逻辑值实现数据调取，从建模数据中选取p_cv_test=p_train(test,:);%通过逻辑值实现数据调取，从建模数据中选取t_cv_test=t_train(test,:);%通过逻辑值实现数据调取，从建模数据中选取p_cv_train=p_cv_train';%转置t_cv_train=t_cv_train';%转置p_cv_test=p_cv_test';%转置t_cv_test=t_cv_test';%转置[p_cv_train,minp,maxp,t_cv_train,mint,maxt]=premnmx(p_cv_train,t_cv_train);%premnmx():将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。p_cv_test=tramnmx(p_cv_test,minp,maxp);%tramnmx():使网络所用的新数据和样本数据接受相同的预处理。forspread=0.1:0.1:2;net=newgrnn(p_cv_train,t_cv_train,spread);waitbar(k/80,h);disp(['当前spread值为',num2str(spread)]);test_Out=sim(net,p_cv_test);test_Out=postmnmx(test_Out,mint,maxt);%postmnmx()依照预处理的最大值最小值反向归一化。error=t_cv_test-test_Out;disp(['当前网络的mse为',num2str(mse(error))])%mse（）为均方函数。perfp=[perfpmse(error)];ifmse(error)mse_maxmse_max=mse(error);desired_spread=spread;desired_input=p_cv_train;desired_output=t_cv_train;endk=k+1;endresult_perfp(i,:)=perfp;end;close(h)disp(['最佳spread值为',num2str(desired_spread)])disp(['此时最佳输入值为'])desired_input;disp(['此时最佳输出值为'])desired_output;%%采用最佳方法建立GRNN网络net=newgrnn(desired_input,desired_output,desired_spread);p_test=p_test';p_test=tramnmx(p_test,minp,maxp);%依照预定最大值及最小值进行归一化。grnn_prediction_result=sim(net,p_test);%利用已经建立的网络模型进行预测。grnn_prediction_result=postmnmx(grnn_prediction_result,mint,maxt);grnn_prediction_result=grnn_prediction_result';%转置预测结果。grnn_error=t_test-grnn_prediction_result;%模拟与实测误差。disp(['GRNN神经网络三项流量预测的误差为',num2str(mse(grnn_error))])%%预测结果导出模块save'D:\OUT\grnn_desired_input.txt'desired_input-ascii;%导出优化建模数据-输入save'D:\OUT\grnn_desired_output.txt'desired_output-ascii;%导出优化建模数据-输出save'D:\OUT\grnn_p_test.txt'p_test-ascii;%导出预测输入数据%可对比save'D:\OUT\grnn_t_test.txt't_test-ascii;%导出实测数据save'D:\OUT\grnn_prediction_result.txt'ninhaogrnn_prediction_result-ascii;%导出预测数据