RBF神经网络matlab程序例程

RBF神经网络matlab程序例程，在matlab中通过RBF神经网络完成对数据的预测

%% 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:i*50:）;
    temp_output = classes（（i-1）*50+1:i*50:）;
    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
    for j = i:4
        p_train = P_train（i:j:）;
        p_test = P_test（i:j:）;
       %% 
        % 1. GRNN创建及仿真测试
        t = cputime;
        % 创建网络
        net_grnn = newgrnn（p_trainT_train）;
        % 仿真测试
        t_sim_grnn = sim（net_grnnp_test）;
        T_sim_grnn = round（t_sim_grnn）;
        t = cputime - t;
        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_trainTc_train）;
        % 仿真测试
        Tc_test = ind2vec（T_test）;
        t_sim_pnn = sim（net_pnnp_test）;
        T_sim_pnn = vec2ind（t_sim_pnn）;
        t = cputime - t;
        time_pnn = [time_pnn t];
        result_pnn = [result_pnn T_sim_pnn‘];
    end
end

%% IV. 性能评价
%%
% 1. 正确率accuracy
accuracy_grnn = [];
accuracy_pnn = [];
time = [];
for i = 1:10
    accuracy_1 = length（find（result_grnn（:i） == T_test‘））/length（T_test）;
    accuracy_2 = length（find（result_pnn（:i） == T_test‘））/length（T_test）;
    accuracy_grnn = [accuracy_grnn accuracy_1];
    accuracy_pnn = [accuracy_pnn accuracy_2];
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（1:30T_test‘bo‘1:30result_grnn（:4）‘r-*‘1:30result_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（1:10accuracy（1:）‘r-*‘1:10accuracy（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（1:10time（1:）‘r-*‘1:10time（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‘）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      17037  2015-08-15 18:03  Class_4_Code\html\main_GRNN_PNN.html

     文件       3184  2015-08-15 18:03  Class_4_Code\html\main_GRNN_PNN.png

     文件       8204  2015-08-15 18:03  Class_4_Code\html\main_GRNN_PNN_01.png

     文件       9510  2015-08-15 18:03  Class_4_Code\html\main_GRNN_PNN_02.png

     文件       7940  2015-08-15 18:03  Class_4_Code\html\main_GRNN_PNN_03.png

     文件       8024  2015-08-15 18:04  Class_4_Code\html\main_RBF.html

     文件       3103  2015-08-15 18:04  Class_4_Code\html\main_RBF.png

     文件       7295  2015-08-15 18:04  Class_4_Code\html\main_RBF_01.png

     文件       1105  2010-10-17 14:51  Class_4_Code\iris_data.mat

     文件       2780  2015-08-15 18:02  Class_4_Code\main_GRNN_PNN.m

     文件       1026  2015-09-13 10:42  Class_4_Code\main_RBF.m

     文件     171497  2010-10-14 20:24  Class_4_Code\spectra_data.mat

     目录          0  2015-08-15 18:04  Class_4_Code\html

     目录          0  2015-08-15 18:00  Class_4_Code

----------- ---------  ---------- -----  ----

               240705                    14