MAT之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率、各个模型运行时间对比

输出结果

实现代码

输出结果

实现代码

load iris_data.mat P_train = [];
T_train = [];
P_test = [];
T_test = [];
for i = 1:3 temp_input = features((i-1)*50+1:i*50,:);temp_output = classes((i-1)*50+1:i*50,:);n = randperm(50);P_train = [P_train temp_input(n(1:40),:)'];T_train = [T_train temp_output(n(1:40),:)'];P_test = [P_test temp_input(n(41:50),:)'];T_test = [T_test temp_output(n(41:50),:)'];
endresult_grnn = [];
result_pnn = [];
time_grnn = [];
time_pnn = [];for i = 1:4for j = i:4p_train = P_train(i:j,:);p_test = P_test(i:j,:);t = cputime; net_grnn = newgrnn(p_train,T_train);t_sim_grnn = sim(net_grnn,p_test);T_sim_grnn = round(t_sim_grnn); t = cputime - t;time_grnn = [time_grnn t];result_grnn = [result_grnn T_sim_grnn'];t = cputime;Tc_train = ind2vec(T_train);net_pnn = newpnn(p_train,Tc_train);Tc_test = ind2vec(T_test);t_sim_pnn = sim(net_pnn,p_test);T_sim_pnn = vec2ind(t_sim_pnn);t = cputime - t;time_pnn = [time_pnn t];result_pnn = [result_pnn T_sim_pnn'];end
endaccuracy_grnn = [];
accuracy_pnn = [];
time = [];
for i = 1:10accuracy_1 = length(find(result_grnn(:,i) == T_test'))/length(T_test);accuracy_2 = length(find(result_pnn(:,i) == T_test'))/length(T_test);accuracy_grnn = [accuracy_grnn accuracy_1];accuracy_pnn = [accuracy_pnn accuracy_2];
endresult = [T_test' result_grnn result_pnn]
accuracy = [accuracy_grnn;accuracy_pnn]
time = [time_grnn;time_pnn]

相关文章
MAB之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花种类识别正确率、各个模型运行时间对比

MAT之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率、各个模型运行时间对比相关推荐

MAT之ELM：ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比
MAT之ELM:ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比目录输出结果实现代码输出结果实现代码 load iris_data.mat P_train ...
ML之SVM：基于SVM(sklearn+subplot)的鸢尾花iris数据集的前两个特征(线性不可分的两个样本)，判定鸢尾花是哪一种类型
ML之SVM:基于SVM(sklearn+subplot)的鸢尾花iris数据集的前两个特征(线性不可分的两个样本),判定鸢尾花是哪一种类型目录输出结果实现代码输出结果 (1).黄色的点为支持 ...
ML之DR：基于鸢尾花(Iris)数据集利用多种降维算法(PCA/TSVD/LDA/TSNE)实现数据降维并进行二维和三维动态可视化应用案例
ML之DR:基于鸢尾花(Iris)数据集利用多种降维算法(PCA/TSVD/LDA/TSNE)实现数据降维并进行二维和三维动态可视化应用案例目录基于鸢尾花(Iris)数据集利用多种降维算法(PCA ...
基于 iris 数据集采用感知器 Perceptron 实现线性二分类
基于 iris 数据集采用感知器 Perceptron 实现线性二分类题目简述: 基于 iris 数据集(四个特征,三个类别),选取两个特征和两个类别,采用感知器 Perceptron 实现线性二分 ...
GRNN、RBF、PNN、KELM之间究竟有什么联系？
0.前言 GRNN广义回归神经网络.RBF径向基函数神经网络.PNN概率神经网络.KELM核极限学习机,这是四种常用的机器学习方法,有太多相关博文对各算法的理论进行了介绍,对各方法的优缺点进行了分析. ...
基于GRNN神经网络的数字预失真系统的FPGA实现
新型数字预失真系统的顶层主要包括AD模块,数字上变频NCO模块,滤波器模块,DPD模块,数字下变频NCO模块,DA模块,RF功率放大器模块等,系统的整体结构与图3.6相同.其中AD模块,数字上变频NC ...
【信号类型识别】基于高阶累积量和GRNN神经网络的WIFI与3G/4G信号的识别
1.软件版本 matlab2017b 2.本算法理论知识我们提取信号的8个特征参数.然后将这个参数通过GRNN神经网络,然后进行训练识别,获得最后的分类. 这里,8个参数分别为: 第1个参数:高阶累 ...
【预测模型-GRNN】基于遗传算法优化GRNN实现数据回归拟合matlab源码
1 模型遗传算法和广义回归神经网络结合起来,构建出GA-GRNN方法,利用遗传算法的全局寻优和广义回归神经网络结构简单的特点,自动搜索和匹配最优光滑因子参数,实现数据精准分类.通过与实际分类情况比较 ...
java语音jvm_java环境中基于jvm的两大语言：scala，groovy
一.java环境中基于jvm的两大语言:scala,groovy 可以在java项目里混编这两种语言: scala:静态语言,多范式语言,糅合了面向对象.面向过程:可以与java和net互操作:融汇了 ...

MAT之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率、各个模型运行时间对比

输出结果

实现代码

MAT之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率、各个模型运行时间对比相关推荐

最新文章

热门文章