神经网络（二）：matlab实现

GRNN RBF PNN 的matlab实现（学习笔记）

例子源自于https://www.bilibili.com/video/BV1Hx411M7Qw?from=search&seid=2046861666796360058

RBF径向基神经网络

1. 清空，导入数据数据

    clear all
    clc
   

   然后

   load spectra_data.mat
   

   进行数据的导入

2. 生成训练集和测试集

    temp = randperm(size(NIR,1));
    %这里产生了输入样本个数的随机数
    P_train = NIR(temp(1:50),:)';
    %根据上面生成的随机数进行采样，1:50作为训练集，：表示跟原来样式一样
   
    %这里需'进行转置，把每个样本的属性作为行，每一列分别为一个样本
    T_train = octane(temp(1:50),:)';
    %生成训练的结果集
   
    P_test = NIR(temp(51:end),:)';
    %生成测试集，用于检测训练出来的网络是否合格
    T_test = octane(temp(51:end),:)';
    
    
    N = size(P_test,2);
    %用于取样测试集有多少个，2表示列的个数，1表示行，因为转置了，所以用2；
   

3. 生成网络

    net = newrbe(P_train,T_train,30);
    %生成网络net，30是径向基的参数，类似于阈值的概念
   

4. 仿真训练

    T_sim = sim(net,P_test);
    %进行训练网络的仿真
   

5. 仿真结果
   这里就是用测试集进行仿真，看看测试集放到训练的结果里面是否好用

    error = abs(T_sim - T_test)./T_test;
   
   
    R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 
   

   R^2表示决定系数，表示拟合的好坏。离一越近越好，越远越差。
   

6. 注意事项

   （1）. rbf的唯一参数就是那个speed，speed的选值决定整个网络的好坏
   （2）.如果可以的话可以用程序进行循环，本代码是50比较好一点，可以整个程序套在一个循环，从很小试到很大
   （3）.用R^2来判断好坏，但是不是越大越好，过拟合也不是很好办。

GRNN与PNN

    net_grnn = newgrnn(p_train,T_train);

只有在创建网络是时候于与RBF不一样，所以只需要换一下就行，
注意：
GRNN是没有传入参数，根据传入数据进行概率密度估计。