matlab神经网络预测的公式怎么用

本文目录一览

• ゃōゃmatlab神经网络预测问题，不知sim函数怎么样用？
• ＋＾＋如何利用matlab进行神经网络预测
• ˙▽˙matlab中用RBF神经网络做预测的代码怎么写

ゃōゃmatlab神经网络预测问题，不知sim函数怎么样用？an=sim(网络,input_test_s);小心规范化，预测输出，然后将其反规范化。

＋＾＋如何利用matlab进行神经网络预测Matlab自带了神经网络工具，可以直接调用。 建议您阅读本书或在MATLAB论坛上查找示例。
核心调用语句是这样的：
%数据输入
%选定样本输入输出数据排列
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%%BP网络训练
%%初始化网络结构
net=newff(inputn,outputn,[88]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%网络训练
net=train网络预测,inputn,inputn);
%%BP网络预测
%预测数据集
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(network,inputn_test);
%网络输出反规范化
BPoutput=mapminmax('reverse',an,outputps);
%%分析得出

˙▽˙matlab中用RBF神经网络做预测的代码怎么写

clc;

clearall;

closeall;

%%----构建相似版本XOR的训练集

c_1=[00];

c_2=[11];

c_3=[01];

c_4=[10];

n_L1=20;%numberoflabel1

n_L2=20;%numberoflabel2

A=null(n_L1*2,3);

A(:,3)=1;

B=null(n_L2*2,3);

B(:,3)=0;

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2;

A(i+n_L1,1:2)=c_2+rand(1,2)/2;

结束

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2;

B(i+n_L2,1:2)=c_4+rand(1,2)/2;

结束

%showpoints

分散(A(:,1),A(:,2),[],'r');

坚持

分散(B(:,1),B(:,2),[],'g');

X=[A;B];

data=X(:,1:2);

label=X(:,3);

%%使用kmeanstofindcinintervector

n_center_vec=10;

rng(1);

[idx,C]=kmeans(data,n_center_vec);

保持

分散(C(:,1),C(:,2),'b','LineWidth',2);

%%计算西格玛

n_data=size(X,1);

%calculateK

K=null(n_center_vec,1);

fori=1:n_center_vec

K(i)=numel(find(idx==i));

结束

%使用knnsearch查找每个中心向量的最近邻点

%然后计算igma

sigma=zeros(n_center_vec,1);

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i));

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);

L2=sum(L2(:));

sigma(i)=sqrt(1/K(i)*L2);

结束

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec);

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2;

r=sum(r,2);

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2)）；

结束

W=pinv(k_mat'*k_mat)*k_mat'*label;

y=k_mat*W;

=0.5)=1;

%y(y<0.5)=0;

%%训练函数和预测函数

[W1,sigma1,C1]=RBF_training(数据,标签,10);

y1=RBF_pre dict(数据,W,sigma,C1);

[W2,sigma2,C2]=latRBF_training(数据,label,2);

y2=RBF_pre dict(data,W2,sigma2,C2);

扩展信息

matlab特点易于研究人员学习和掌握；

3功能丰富的应用工具箱（如信号处理工具箱、通信工具箱等）为用户提供大量实用、实用的处理方法。 工具。

参考来源：百度百科—MATLAB