GRNN神经网络.zip

用matlab简单实现grnn，代码注释中含有对grnn网络原理的解释，可直接拿来做模版。

%GRNN网络net=newgrnn（PTSPREAD）
%采用统计学原理，有四层，模式层与样本个数相同，激活函数与统计里面的一个式子构成相同
%求和层与输出个数相同，就是将模式层输出相加，输出是将求和层相除
clc
clear
x=zeros（10200）;
y=zeros（3200）;
input=x（:1:190）;
output=y（:1:190）;
test_input=x（:191:200）;
test_output=y（:191:200）;
desired_spread=[];
mse_max=10e20;
desired_input=[];
desired_output=[];
result_perf=[];
indices=crossvalind（‘Kfold‘length（input）4）;%分成4批
k=1;
for i=1:4
    pref=[];
    disp（[‘...‘num2str（i）‘...‘]）;
    test=（indices==i）;
    train=~test;
    p_cv_train=input（:train）;
    t_cv_train=output（:train）;
    p_cv_test=input（:test）;
    t_cv_test=output（:test）;
    [p_cx_trainminpmaxpt_cv_trainmintmaxt]=premnmx（p_cv_traint_cv_train）;
    p_cv_test=tramnmx（p_cv_testminpmaxp）;
    for spread=0.1:0.1:2
        net=newgrnn（p_cv_traint_cv_trainspread）;
        t_cv_test_sim=sim（netp_cv_test）;
        t_cv_test_sim=postmnmx（t_cv_test_simmintmaxt）;
        error=t_cv_test-t_cv_test_sim;
        perf=[perfmse（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_perf（i:）=perf;
end
%相当于排除了训练集中的一部分元素，找了拟合最好的一部分
net=newgrnn（desired_inputdesired_outputdesired_spread）;
p_test=tramnx（p_testminpmaxp）;
grnn_pre=sim（netp_test）;
grnn_pre=postmnmx（grnn_premintmaxt）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-07-23 00:49  GRNN绁炵粡缃戠粶\
     文件        1513  2019-07-23 00:47  GRNN绁炵粡缃戠粶\aaa.m
     目录           0  2019-08-26 12:09  __MACOSX\
     目录           0  2019-08-26 12:09  __MACOSX\GRNN绁炵粡缃戠粶\
     文件         176  2019-07-23 00:47  __MACOSX\GRNN绁炵粡缃戠粶\._aaa.m