1.算法描述

广义回归神经网络是径向基神经网络的一种，GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，还可以处理不稳定数据。虽然GRNN看起来没有径向基精准，但实际在分类和拟合上，特别是数据精准度比较差的时候有着很大的优势。

GRNN是RBF的一种改进，结构相似。区别就在于多了一层求和层，而去掉了隐含层与输出层的权值连接（对高斯权值的最小二乘叠加）。

1.输入层为向量，维度为m，样本个数为n，线性函数为传输函数。

2.隐藏层与输入层全连接，层内无连接，隐藏层神经元个数与样本个数相等，也就是n，传输函数为径向基函数。

3.加和层中有两个节点，第一个节点为每个隐含层节点的输出和，第二个节点为预期的结果与每个隐含层节点的加权和。

4.输出层输出是第二个节点除以第一个节点。

在GRNN神经网络中，一旦确立了学习样本数据后，只需要调整一个参数“光滑因子”即可确定其网络结构和权值，因此训练GRNN网络要比传统的神经网络更加便捷。所以选择GRNN。
————————————————

BP神经网络的网络层包括输入层，隐含层和输出层三个网络层次，其基本结构如下图所示：

基于三层网络结构的BP神经网络具有较为广泛的应用场合和训练效果。

在BP神经网络中，隐含层数量对神经网络的性能有着至关重要的影响，如果隐含层数量过多，会大大增加BP神经网络的内部结构的复杂度，从而降低学习效率，增加训练时间；如果隐含层数量过少，则无法精确获得训练输入数据和输出结果之间的内在规律，增加预测误差。因此，选择合适的隐含层个数具有十分重要的意义。由于隐含层个数的设置没有明确的理论可以计算，通常情况下，采用逐次分析的方法获得，即通过对不同隐含层所对应的神经网络进行预测误差的仿真分析，选择误差最小情况下所对应的隐含层个数。

学习率，即网络权值得更新速度，当学习率较大的时候，网络权值的更新速度快，当网络稳定性会下降；当学习率较小的时候，网络权值的更新速度慢，网络较为稳定。这里选择BP神经网络的学习率方式参考上一章节隐含层的选择方式，即通过对比不同学习率的网络训练误差，选择性能较优的学习率。

BP神经网络的初始网络权值对网络训练的效率以及预测性能有着较大的影响，通常情况下，采用随机生成[-1，1]之间的随机数作为BP神经网络的初始权值。
————————————————

2.仿真效果预览

matlab2022a仿真结果如下：

可以看到，蓝色的是原始的数据，红色的我们的预测输出，前面几个年份，由于有已知数据，所以可以对比，可以看到，BP神经网络会存在的一定的误差。而GRNN则误差非常小。

误差具体数值，新改的程序有输出的，结果如下：

BP:

GRNN:

因此，通过上述过程可知，GRNN神经网络具有更好的预测结果。

3.MATLAB核心程序

SAFE10=[1,1,1,1,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1];%GRNN神经网络训练
char    = [D]';
T       = [SAFE];
Net     = newgrnn(char,T,25);
save Grnn.mat Net;%%
%通过拟合的方法，得到未来的指标的数据
X0=Time';
%设置预测年份
X1=[Time,2016,2017,2018,2019,2020];Y1=D(:,1);
Y2=D(:,2);
Y3=D(:,3);
Y4=D(:,4);
Y5=D(:,5);
Y6=D(:,6);
Y7=D(:,7);
Y8=D(:,8);
Y9=D(:,9);
Y10=D(:,10);
Y11=D(:,11);
Y12=D(:,12);
Y13=D(:,13);
Y14=D(:,14);
Y15=D(:,15);%开始拟合
p=polyfit(X0,Y1,5);Y1_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);
p=polyfit(X0,Y2,5);Y2_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);
p=polyfit(X0,Y3,5);Y3_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);
p=polyfit(X0,Y4,5);Y4_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);p=polyfit(X0,Y5,5);Y5_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y6,5);Y6_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y7,5);Y7_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y8,5);Y8_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;p=polyfit(X0,Y9,5);Y9_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y10,5);Y10_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y11,5);Y11_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y12,5);Y12_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;p=polyfit(X0,Y13,5);Y13_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y14,5);Y14_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;
p=polyfit(X0,Y15,5);Y15_=p(1)*X1.^5+p(2)*X1.^4+p(3)*X1.^3+p(4)*X1.^2+p(5)*X1.^1+p(6);;05_051_m

4.完整MATLAB

m分别使用BP神经网络和GRNN网络进行时间序列预测matlab仿真相关推荐

基于BP神经网络的多因素房屋价格预测matlab仿真
目录一.理论基础二.案例背景 1.问题描述 2.思路流程三.部分MATLAB仿真四.仿真结论分析五.参考文献一.理论基础神经网络主要由处理单元.网络拓扑结构.训练规则组成.处理单元是神经 ...
分别使用BP神经网络和SVM支持向量机进行乳腺癌识别matlab仿真,输出识别率,召回率以及F1
目录一.理论基础二.核心程序三.测试结果一.理论基础乳腺癌是全球第二常见的女性癌症.2012年,它占所有新癌症病例的12%,占所有女性癌症病例的25%.当乳腺细胞生长失控时,乳腺癌就开始了. ...
VMD-SSA-LSTM基于变分模态分解和麻雀算法优化长短期记忆网络的时间序列预测MATLAB代码(含LSTM、VMD-LSTM、VMD-SSA-LSTM等模型的对比)。
clc; clear all close all %% VMD-SSA-LSTM预测 tic load vmd_data.mat load lstm.mat disp('--------------- ...
【遗传优化BP网络】基于自适应遗传算法的BP神经网络的股票预测MATLAB仿真
1.软件版本 MATLAB2021a 2.本算法理论知识通过MATLAB对BP神经网络,基于遗传优化的BP神经网络,基于改进遗传优化的BP神经网络以及基于改进遗传优化的组合BP神经网络等多种算法的股 ...
bp神经网络是什么网络,神经网络和bp神经网络
1.什么是BP神经网络? BP算法的基本思想是:学习过程由信号正向传播与误差的反向回传两个部分组成:正向传播时,输入样本从输入层传入,经各隐层依次逐层处理,传向输出层,若输出层输出与期望不符,则将误差 ...
BP神经网络（Back Propagation Neural Network）Matlab简单实现
BP神经网络(Back Propagation Neural Network)Matlab简单实现前言简单了解反向传播(Backwarod Propagation)机制(链式法则) 实例分析前向 ...
BP神经网络——基于近红外光谱的汽油辛烷值预测
BP神经网络--基于近红外光谱的汽油辛烷值预测问题描述获取数据解题思路及步骤 1.产生训练集/测试集 2.创建/训练BP神经网络及仿真测试 3.性能评价 4.绘图 Matalab代码问题描述 ...
汽轮机振动的日平均峰峰值的BP神经网络预测matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 BP神经网络是一种具有一个输入层,一个或多个隐含层和一个输出层的多层网络.隐含层和输出层上的每个神经 ...
bp神经网络预测_股指期货价格变动趋势往往反映的是股票价格的走势，因此BP神经网络对股指期货价格的准确预测就是对股票价格的准确预测。...
一只猫の生活态度对于投资者而言,利用BP神经网络模型对股指期货价格进行准确预测,可以帮助投资者构建较佳的投资组合,从而获取较好的投资收益,规避系统风险:对于国家而言,准确预测股指期货价格走势,有利于 ...

m分别使用BP神经网络和GRNN网络进行时间序列预测matlab仿真

1.算法描述

2.仿真效果预览

3.MATLAB核心程序

4.完整MATLAB

m分别使用BP神经网络和GRNN网络进行时间序列预测matlab仿真相关推荐

最新文章

热门文章