GRNN神经网络设计课件

GRNN网络MATLAB程序
index3=find(f==3); index4=find(f==4); line(p(1,index1),p(2,index1),p(3,index1),'linestyle','none','marker' ,'*','color','g'); line(p(1,index2),p(2,index2),p(3,index2),'linestyle','none','marker' ,'*','color','r'); line(p(1,index3),p(2,index3),p(3,index3),'linestyle','none','marker' ,'+','color','b'); line(p(1,index4),p(2,index4),p(3,index4),'linestyle','none','marker' ,'+','color','y'); box;grid on;hold on; axis([0 3500 0 3500 0 3500]); title('训练用样本及其类别'); xlabel('A'); ylabel('B'); zlabel('C'); t=t'; t=ind2vec(t);

Xi


二. GRNN的网络结构
n
传递函数为： S NJ y nj Pi
（4）输出层
n 1
j 1,2, ,k
输出层中的神经元数目等于学习样本中输出向量的维数k，各神经
元将求和层的输出相除，神经元j的输出对应估计结果Y X 的第j个
元素，即
yj

S Nj SD
j 1,2, ,k
三. GRNN网络理论
Y E y / X

yf(X ,y )dy

f(X ,y )dy
Y
三. GRNN网络理论
f X ,y
xi,yi
n i 1
f X ,y

n 2
1
p 1
2
p
1
n

exp
i 1

X
Xi T X 2 2

Xi
exp

X
Yi 2 2
2
Y
Y X

n

Yi exp
i 1

X
Xi T X 2 2
Baidu Nhomakorabea

Xi


n

exp
i 1

X
Xi T X 2 2

GRNN在逼近能力和学习速度上较RBF网络有更强的优势，网络最后 收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效 果也较好。此外，网络还可以处理不稳定的数据。因此，GRNN在信号 过程、结构分析、教育产业、能源、食品科学、控制决策系统、药物设 计、金融领域、生物工程等各个领域得到了广泛的应用。
取前29组数据作为训练样本。并将样本数据及分类结果分别存放到“.dat”文件中。 （2）设置径向基函数的分布密度
Spread为径向基层的分布密度，又称散布常数，默认值为1。散布常数是GRNN网络 设计过程中一个非常重要的参数。一般情况下，散布常数应该足够大，使得神经元响应 区域覆盖所有输入区间。 （3）调用newgrnn构建并训练广义神经网络；
Xi


三. GRNN网络理论
YX YX YX
YX
四、GRNN网络应用于模式分类
以酒瓶分类三元色数据为例，希望将数据按照颜色数据所表征的特点，将数据按各 自所属的类别归类。其中，前29组数据已确定类别，后30组数据待确定类别。 （1）从样本数据库中获取训练数据
exp

X
Xi T X 2 2
Xi

i 1,2, ,n
二. GRNN的网络结构
n
S D pj j 1
n

exp
i 1

X
Xi T X 2 2

Xi


n

Yj exp
i 1

X
Xi T X 2 2
基于GRNN网络数据分类设计
目录
➢ 广义神经网络简介 ➢ GRNN网络结构 ➢ GRNN网络理论 ➢ GRNN网络应用于模式分类 ➢ 总结
一. 广义神经网络简介
广义回归神经网络（GRNN，Generalized Regression Neural Network）是径向基神经网络的一种。GRNN具有很强的非线性影射能 力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题 。
二. GRNN的网络结构
GRNN的网络结构
二. GRNN的网络结构
（1）输入层 输入层神经元的数目等于学习样本中输入向量的维数，各神经元 是简单的分布单元，直接将输入变量传递给模式层。 （2）模式层 模式层神经元数目等于学习样本的数目n，各神经元对应不同的样 本，模式层神经元传递函数为
pi
在MATLAB中，应用newgrnn()函数可以快速设计一个广义神经网络，并且使得设 计误差为0，调用方式如下：
net=newgrnn(p,t,spread); 其中，p为输入向量；t为期望输出向量（目标值），spread为广义神经网络的散布常数， 默认值为1。输出为一个广义神经网络，其权值和阈值完全满足输入和期望值关系要求。 （4）调用sim，测试GRNN网络的训练效果 （5）再次调用sim识别样本所属类别
GRNN网络MATLAB程序
基于MATLAB的GRNN模式分类程序如下： clear; clc; %网络训练样本 pConvert=importdata('C:\Users\Administrator\Desktop\ln\Self Organizationtrain.dat');; p=pConvert'; %训练样本的目标矩阵 t=importdata('C:\Users\Administrator\Desktop\ln\SelfOrganizat iontarget.dat'); plot3(p(1,:),p(2,:),p(3,:),'o'); grid;box; for i=1:29,text(p(1,i),p(2,i),p(3,i),sprintf(' %g',t(i))),end hold off f=t; index1=find(f==1); index2=find(f==2);