MATLAB實現代碼：

%清空環境變量 warning off %關閉報警信息 close all %關閉開啟的圖窗 clear %清空變量 clc %清空命令行 %%導入數據 res=xlsread('RBF.xlsx'); %% 劃分訓練集和測試集 temp=randperm(225);p_train=res(temp(1:180),1:7)'; T_train=res(temp(1:180),8)'; M=size(p_train,2);p_test=res(temp(181:end),1:7)'; T_test=res(temp(181:end),8)'; N=size(p_test,2); %%數據歸一化 [p_train,ps_input]=mapminmax(p_train,0,1); p_test=mapminmax('apply',p_test,ps_input);[t_train,ps_output]=mapminmax(T_train,0,1); t_test=mapminmax('apply',T_test, ps_output); %%創建網絡 rbf_spread=100; net=newrbe(p_train,t_train,rbf_spread); %%數據仿真 t_sim1=sim(net,p_train); t_sim2=sim(net,p_test); %%數據反歸一化 T_sim1=mapminmax('reverse',t_sim1,ps_output); T_sim2=mapminmax('reverse',t_sim2,ps_output);%%均方根誤差 error1=sqrt(sum((T_sim1-T_train).^2)./M); error2=sqrt(sum((T_sim2-T_test).^2)./N); %%查看網絡結構 view (net); %%繪圖 figure plot(1:M,T_train,'r-*',1:M,T_sim1,'b-o','LineWidth',1) legend('真實值','預測值') xlabel('訓練樣本') ylabel('預測結果') string={'訓練集預測結果對比';['RMSE=' num2str(error1)]}; title(string) xlim=[1,M] gridfigure plot(1:N,T_test,'r-*',1:N,T_sim2,'b-o','LineWidth',1) legend('真實值','預測值') xlabel('預測樣本') ylabel('預測結果') string={'測試集預測結果對比';['RMSE=' num2str(error2)]}; title(string) xlim=[1,N] grid%%相關指標計算; %R2 R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2; R2= 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2; disp(['訓練集數據的R2為: ',num2str(R1)]) disp(['測試集數據的R2為: ', num2str(R2)]) %MAE mae1 = sum(abs(T_sim1 - T_train)) ./ M; mae2 = sum(abs(T_sim2 -T_test)) ./N; disp(['訓練集數據的MAE為: ',num2str(mae1)]) disp(['測試集數據的MAE為: ',num2str(mae2)]) %MBE mbe1 = sum(T_sim1 - T_train) ./M; mbe2 = sum(T_sim2 - T_test) ./ N ; disp(['訓練集數據的MBE為: ',num2str(mbe1)]) disp(['測試集數據的MBE為: ',num2str(mbe2)])

RBF神經網絡結構：

訓練集預測結果對比：?

測試集預測結果對比：

?相關指標的結果：

????????訓練集數據的R2為: 0.83861

????????訓練集數據的MAE為: 0.053551

????????訓練集數據的MBE為: -1.2589e-05
????????測試集數據的R2為: 0.056934
????????測試集數據的MAE為: 0.067367
????????測試集數據的MBE為: 0.008165

總結

以上是生活随笔為你收集整理的RBF神经网络MATLAB代码实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。