RBF神经网络做回归预测

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

%%主要程序   前200个点用于训练网络，并且生成三维神经网络图。然后代入后400个点于三维图中，并记录实验数据
% clear all
% close all
% clc
% % tic
% xlsfile=‘C:\Users\Administrator\Desktop\误差.xlsx‘;
% [xji]=xlsread（xlsfile‘Sheet1‘‘A1:A13880‘）;
% [yji]=xlsread（xlsfile‘Sheet1‘‘B1:B13880‘）;
% [feng]=xlsread（xlsfile‘Sheet1‘‘C1:C13880‘）;
% 
% 
% [bps]=mapminmax（xji‘01）;
% [cps]=mapminmax（yji‘01）;
% [dps]=mapminmax（feng‘01）;

% t=b（1:11000）;
% u=c（1:11000）;
% v=d（1:11000）;                        
% 
% p1=[t;u];
% t1=v;
clc;
A=untitled;
x1=A（1:1571）;
x2=A（2:1581）;
x3=A（3:1591）;
p1=[x1 x2 x3]‘;
t1=A（4:1601）‘;
% spread=80000;  
% net=newrbe（p1t1spread）;

net=newff（p1t1）;
% toc

%绘制预测模型
% [x2v2]=meshgrid（0:0.02:1）; 
% P = [x2（:）‘;v2（:）‘];
% z2 = sim（netP）;
% z2=reshape（z25151）;
% surf（x2v2z2）;
% title（‘神经网络预测曲面‘）;  
% x1=xlabel（‘风速‘）;       
% x2=ylabel（‘主轴转速‘）;        
% x3=zlabel（‘振动特征值‘）;        
% set（x1‘Rotation‘30）;    
% set（x2‘Rotation‘-30）; 
% hold on;
% 代入检测点
% bb=b（11001:13880）;
% cc=c（11001:13880）;
% dd=d（11001:13880）;
% 
% 
% % scatter3（xxvvzz）%散点图
% % hold off;
% P_test=[bb;cc];
% t_test=dd;
test_x1=A（161:1971）;
test_x2=A（162:1981）;
test_x3=A（163:1991）;
P_test=[test_x1 test_x2 test_x3]‘;
t_test=A（164:2001）‘;

Y=sim（netP_test）;
Z=Y‘;
e1=abs（Y-t_test）;
% figure（2）
% ll1=（1:1:37）;
% plot（ll1dd‘b‘）;
% hold on;
% plot（ll1Y‘r‘）;
% hold on;
% plot（ll1e1‘m‘）;
% legend（‘RBF神经网络预测‘‘测量值‘‘误差‘）
% hold off;
% xlabel（‘时间轴/10min‘）;ylabel（‘功率‘）;
% title（‘径向基神经网络预测‘）; 
g=mean（e1）
n=37;
j=sqrt（sum（（Y-t_test）.^2）/n） 
c=mean（abs（e1./t_test））
d=sqrt（sum（（e1./t_test.^2）/n））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1767  2017-05-22 16:41  jingxiangjiyuce.m