广义回归神经网络GRNN：Matlab实现多输入多输出广义回归神经网络GRNN （含例子及代码）

创建5输入，2输出的GRNN，随机产生1000个5维数据x作为输入，输出值为y：

%net = newgrnn（P,T，spread）
%参数P为输入向量；
%T为输出向量；
%spread 为径向基函数的分布密度，参数spread的大小对网络的逼近精度有较大影响，需不断的调整spread的值。
%spread的值越小，函数的比较越精确，但逼近过程就越粗糙；
%spread的值越大，逼近过程就比较平滑，但逼近的误差会比较大。
x=2*rand(5,1000)-1;%输入为5维度 共1000个数据
y(1,:)=sin(5*sum(x,1));%输出的第一维数据 
y(2,:)=cos(4*sum(x,1));%输出的第二维数据 

%% 训练网络
P=x;%输入数据
T=y;%输出数据
net = newgrnn(P,T,0.02);%建立grnn 训练网络
%% 测试网络
A = sim(net,P);

%% 画出图像
figure
plot(A(1,:),'r*');
hold on
plot(T(1,:),'bo');
legend('预测值','真实值')
xlabel('n')
ylabel('y1')

figure
plot(A(2,:),'r*');
hold on
plot(T(2,:),'bo');
legend('预测值','真实值')
xlabel('n')
ylabel('y2')

figure
plot(A(1,:),A(2,:),'r*');
hold on
plot(T(1,:),T(2,:),'bo');
legend('预测值','真实值')
xlabel('y1')
ylabel('y2')

figure
plot(abs(A(1,:)-T(1,:)),'r-o');
hold on
plot(abs(A(2,:)-T(2,:)),'b-+');
xlabel('n')
ylabel('MAE')
legend('y1','y2')

结果：

目标1真实值和预测值：

目标2真实值和预测值：

目标1与目标2的真实值和预测值：

预测值和真实值的绝对误差：