请教大家，关于GRNN神经网络的matlab编程问题，谢谢！！！

Posted 2023-04-23

利用matlab中的GRNN神经网络工具箱进行模式识别：
输入样本 -33.06 -35.42 -32.31 -25.11 -18.87 -15.07 -14.44 -16.19 4.747
-32.95 -34.92 -31.79 -24.07 -17.93 -13.27 -12.89 -14.47 5.601
-30.47 -25.63 -30.74 -24.3 -17.92 -13.26 -13.46 -13.2 6.376
-15.49 -16.66 -15.76 -10.7 -7.089 -32.4 -30.6 -29.82 -2.963
-13.68 -15.14 -14.5 -8.954 -5.412 -29.95 -28.31 -27.55 -2.351
-10.21 -11.33 -7.065 -1.057 1.886 -20.17 -23.7 -20.99 8.114
-23.79 -22.91 -22.52 -26.51 -26.6 -19.6 -23.31 -25.38 -6.675
-20.71 -19.63 -19.81 -21.89 -22.57 -19.44 -21.54 -23.36 -0.9955
-7.232 -5.395 -3.128 -5.564 -6.165 0.4742 -5.396 -5.316 16.26
-18.64 -19.6 -22.35 -18.54 -12.77 -1.551 -15.42 -21.9 -13.29
-34.01 -32.72 -32.19 -32.2 -11.04 -25.02 -26.45 -16.86 -27.99
-12.26 -14.98 -17 -14.56 -9.628 -9.367 -11.31 -8.998 -13.32
-17.83 -19.11 -17.21 -22.01 -21.47 -18.84 -10.89 -7.023 -9.544
-26.1 -25.76 -29.32 -25.9 -22.54 -21.97 -33.77 -28.11 -20.39
-4.847 -5.023 -4.365 -8.287 -9.138 -4.257 3.145 4.82 2.243
-11.46 -12.85 -13.03 -7.36 -5.198 -14.89 -11.24 -3.686 0.009252
-19.52 -19.16 -19.92 -13.66 -10.29 -22.16 -20.83 -13.14 -7.471
-14.12 -15.83 -16.29 -11.64 -8.982 -19 -18.59 -11.09 -5.637

输出样本：-5，0，0 -2，0，0 1，0，0 3，0，0 5，0，0 0，3，0 0，5，0 0，6，0 0，10，0 0，13，0

万分感激！！！回答正确，再加10分

输入是R×Q的向量，输出时S×Q的向量，才可以的。注意Q相同 参考技术A 555555555555555
我看不懂

预测模型基于麻雀算法改进广义回归神经网络(GRNN)实现数据预测matlab代码

1 简介

为实现精准施肥"减施增效"的数字化农业施肥技术,本文基于并运用了麻雀搜索算法,对广义回归神经网络(GRNN)进行了结合与改进,并构建作物广义回归神经网络(GRNN)结合麻雀搜索算法的预测施肥量模型.通过采集得到的数据样本会被用来输入MATLAB进行仿真和实验验证.仿真和实验结果表明,基于麻雀搜索算法的GRNN神经网络模型比BP神经网络具有更少的输入参数,能更好地反映施肥量与诸多影响因素之间的关系,具有实用价值.且基于麻雀搜索算法改进的GRNN神经网络算法模型人为设定量更少,更为客观,预测值与实际值之间的误差更小,预测结果更加准确.

2 部分代码

%_________________________________________________________________________%
% 麻雀优化算法             %
%_________________________________________________________________________%
function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)

ST = 0.6;%预警值
PD = 0.7;%发现者的比列，剩下的是加入者
SD = 0.1;%意识到有危险麻雀的比重

PDNumber = round(pop*PD); %发现者数量
SDNumber = round(pop*SD);%意识到有危险麻雀数量
if(max(size(ub)) == 1)
  ub = ub.*ones(1,dim);
  lb = lb.*ones(1,dim);  
end

%种群初始化
X0=initialization(pop,dim,ub,lb);
X = X0;
%计算初始适应度值
fitness = zeros(1,pop);
for i = 1:pop
  fitness(i) =  fobj(X(i,:));
end
[fitness, index]= sort(fitness);%排序
BestF = fitness(1);
WorstF = fitness(end);
GBestF = fitness(1);%全局最优适应度值
for i = 1:pop
   X(i,:) = X0(index(i),:);
end
curve=zeros(1,Max_iter);
GBestX = X(1,:);%全局最优位置
X_new = X;
for i = 1: Max_iter
   
   BestF = fitness(1);
   WorstF = fitness(end);

   
   R2 = rand(1);
  for j = 1:PDNumber
     if(R2<ST)
         X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));
     else
         X_new(j,:) = X(j,:) + randn()*ones(1,dim);
     end     
  end
  for j = PDNumber+1:pop
%       if(j>(pop/2))
       if(j>(pop - PDNumber)/2 + PDNumber)
         X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);
      else
         %产生-1，1的随机数
         A = ones(1,dim);
         for a = 1:dim
           if(rand()>0.5)
               A(a) = -1;
           end
         end 
         AA = A'*inv(A*A');     
         X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';
      end
  end
  Temp = randperm(pop);
  SDchooseIndex = Temp(1:SDNumber); 
  for j = 1:SDNumber
      if(fitness(SDchooseIndex(j))>BestF)
          X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));
      elseif(fitness(SDchooseIndex(j))== BestF)
          K = 2*rand() -1;
          X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));
      end
  end
  %边界控制
  for j = 1:pop
      for a = 1: dim
          if(X_new(j,a)>ub(a))
              X_new(j,a) =ub(a);
          end
          if(X_new(j,a)<lb(a))
              X_new(j,a) =lb(a);
          end
      end
  end 
  %更新位置
  for j=1:pop
   fitness_new(j) = fobj(X_new(j,:));
  end
  for j = 1:pop
   if(fitness_new(j) < GBestF)
      GBestF = fitness_new(j);
       GBestX = X_new(j,:);   
   end
  end
  X = X_new;
  fitness = fitness_new;
   %排序更新
  [fitness, index]= sort(fitness);%排序
  BestF = fitness(1);
  WorstF = fitness(end);
  for j = 1:pop
     X(j,:) = X(index(j),:);
  end
  curve(i) = GBestF;
end
Best_pos =GBestX;
Best_score = curve(end);
end

3 仿真结果

4 参考文献

[1]倪贤达, 杨得航, 左桐,等. 基于遗传算法改进GRNN神经网络的施肥量预测研究[J].  2020.

[2]印雷, 顾德, & 刘飞. (2021). 基于改进麻雀搜索算法优化的dv-hop定位算法. 传感技术学报, 34(5), 6.

部分理论引用网络文献，若有侵权联系博主删除。