GRNN的数据预测.rar

BP神经网络适用于大样本数据的预测，至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络，不同的数据需要根据其自身特点选择不同的预测方法。在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。 下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。

% 
% 该案例作者申明：《Matlab神经网络30个案例分析》以书籍实际发行内容为准
%% 以下程序为案例扩展里的GRNN和BP比较 需要load chapter8.1的相关数据
clear all
load result
n=13
p=desired_input
t=desired_output
net_bp=newff（minmax（p）[n3]{‘tansig‘‘purelin‘}‘trainlm‘）;
% 训练网络
net.trainParam.show=50;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-3;
%调用TRAINLM算法训练BP网络
net_bp=train（net_bppt）;
bp_prediction_result=sim（net_bpp_test）;
bp_prediction_result=postmnmx（bp_prediction_resultmintmaxt）;
bp_error=t_test-bp_prediction_result‘;
disp（[‘BP神经网络三项流量预测的误差为‘num2str（abs（bp_error））]）
%{
net=newff（desired_inputdesired_outputdesired_number{‘tansig‘‘tansig‘}‘trainlm‘）;
net.trainParam.epochs=10000;
net.trainParam.lr=0.001;
net.trainParam.goal=0.0001;
%% BP网络训练
net=train（netdesired_inputdesired_output）;
%% BP网络测试
input_test=input_test‘;
input_test=tramnmx（input_testminpmaxp）;
BP_test_result=sim（netinput_test）;
BP_test_result=postmnmx（BP_test_resultmintmaxt）;
BP_error=output_test-BP_test_result‘;
disp（[‘BP神经网络三项流量预测的误差为‘num2str（abs（BP_error））]）
save best desired_input desired_output input_test output_test BP_error mint maxt
%% BP网络预测
%预测数据归一化
%input_predict=input_predict‘;
%input_predict=tramnmx（input_predictminpmaxp）;

%网络预测输出
%BP_predict_resultpredict=sim（netinput_predict）;

%网络输出反归一化
%BP_predict_resultpredict=postmnmx（BP_predict_resultpredictmintmaxt）;
%}

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

     文件       1521  2019-10-12 21:06  GRNN的数据预测\bp.m

     文件        815  2010-01-30 20:09  GRNN的数据预测\data.mat

     文件       2217  2019-10-12 21:37  GRNN的数据预测\grnn.m

     文件       1260  2019-10-13 19:24  GRNN的数据预测\result.mat

     文件       6417  2019-10-13 16:04  GRNN的数据预测\运行提示.txt

     目录          0  2019-10-30 10:19  GRNN的数据预测

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

                12230                    6