rbfxt.m

稀土测量 matlab 源程序 粒子群优化算法的改进 lS-SVM等源程序

clc
clear
close all


load one
P1 = (one(1:100,1:4))';                   % 训练样本，每一列为一个样本
T1 = (one(1:100,5))';               % 训练目标

P2 = (one(101:150,1:4))';                % 测试样本，每一列为一个样本
T2 = (one(101:150,5))';               % 测试目标

%---------------------------------------------------
% 归一化

[PN1,minp,maxp,TN1,mint,maxt] = premnmx(P1,T1); %归一化函数
PN2 = tramnmx(P2,minp,maxp); %pn2 = 2*(p2-minp)/(maxp-minp) - 1
TN2 = tramnmx(T2,mint,maxt);

%---------------------------------------------------
% 训练
% 神经元数逐步增加,最多就是训练样本个数
goal =5;                   % 训练误差的平方和(默认为0)
spread =1;                   % 此值越大,需要的神经元就越少(默认为1)
MN = size(PN1,2);               % 最大神经元数(默认为训练样本个数)
DF = 1;                         % 显示间隔(默认为25)
net = newrb(PN1,TN1,goal,spread,50,DF);


%---------------------------------------------------
% 测试

YN1 = sim(net,PN1);             % 训练样本实际输出
YN2 = sim(net,PN2);             % 测试样本实际输出

MSE1 = mean((TN1-YN1).^2)       % 训练均方误差
MSE2 = mean((TN2-YN2).^2)       % 测试均方误差

%---------------------------------------------------
% 反归一化

Y2 = postmnmx(YN2,mint,maxt);

%---------------------------------------------------
% 结果作图
figure(1)
plot(1:length(T2),T2,'r+:',1:length(Y2),Y2,'b.:')
legend('为真实值','为预测值')
xlabel('样本')
ylabel('组分含量')
figure(2)
plot(1:length(T2),Y2-T2)
xlabel('样本')
ylabel('误差')