Matlab之RBF網路污水預測

Ⅰ 用matlab進行RBF神經網路時間序列預測，預測值為什麼一直不變

可能使用的是以數據訓練的方式後，來預測未來值的吧。你最好把數據和代碼傳上來（其他方式也可以），這樣可以幫查找問題實在。

Ⅱ 畢設臨近，哪位大神會用matlab編寫RBF神經網路的代碼

那篇《基於RBF神經網路的校園網路流量預測研究》里的數據看不到，請把數據貼出來便於分析編寫其代碼。

Ⅲ RBF 神經網路 預測 matlab

前面那位仁兄說到點子上了，你的網路沒有大量數據先進行訓練，你的p，t，組數感覺略少，訓練達不到效果，
訓練語句如下：
net=train(net,p,t);

另外，p_test=[0.054795;0.020548;0]如果這是測試樣本，這句要改為y=sim(net,p_test);

Ⅳ 請教RBF神經網路高手。用matlab設計newgrnn廣義回歸神經網路，進行訓練、模擬、擬合。畫出預測圖和誤差圖

這個擬合了也沒有多大的意義。
一、數據太少。二、發病率和時間存不存在因果關系還是個疑問

Ⅳ 基於rbf神經網路的負荷預測模擬問題！！求大神講解講解！！！感激不盡！！

1. 工作日和雙休日的負荷特性不同：有兩種處理方法，一種是分別建立模型，分別訓練，不要拿工作日模型來預測雙休日；第二種方法是用同一個模型，只是將工作日與雙休日量化為0和1作為神經網路輸入。

2. 單日負荷曲線波動：多模型預測法，可以講每天劃分為多個時段，針對每個時段單獨建立模型。每個時段有每個時段的波動特性，單獨建立模型更能映射負荷序列規律，並且減小網路規模。

用RBF網路一般預測效果較好，由於其為局部逼近網路，速度也極快。假如是在Matlab中，可以使用newrbe函數建立無誤差的精確RBF網路（即隱層節點數等於樣本數量），或者用廣義網路newgrnn。據實際使用效果來看，GRNN的預測效果更佳。

關於樣本的制定：你描述的是「預測模型都是n-1個歷史數據作為輸入，預測第n個」，這個不太理解，輸入向量維數怎麼會不停變動呢？通常負荷預測的輸入向量選取為前1天、2天、3天、7天、14天的相應時段負荷。

Ⅵ 關於RBF神經網路的matlab問題！

運用RBF神經網路設計復合材料界面性能 劉子龍;秦偉 提出一種設計碳纖維織物/環氧復合材料界面性能的新方法。利用徑向基函數神經網路,建立起工藝參數與復合材料界面性能的關系模型,同時給出實例來驗證此方法的有效性。

Ⅶ MATLAB用RBF數據預測，哪位好心人可以給程序參考下，謝謝

給個例子你看看

%% 訓練數據
t1 = 0.1 : 0.1 : 10;

xt1 = 3*sin(2*t1) + 3;
xt2 = exp(0.5*t1) + 10;
xt3 = 2*power((t1-4), 2);
xt4 = log2(30*t1) + 10;
xt5 = log2(40*t1) + t1 + 20;
xt6 = power((t1-11), 2);
xt7 = 4*cos(3*t1) + 10;
xt8 = xt2 + 0.9*xt4;
xt9 = xt5 + 0.9*xt5;
xt10 = xt5 + 0.9*xt6;

ty = -1 + 3*xt1 - xt9 + 0.4*(xt10-50) + xt6 + log2(xt3+7) + 0.8*exp(xt4-14) + ...
4*sin(xt7+xt8) + 0.015*power((xt2-50), 2);

%% 測試數據
t = 10/44 : 10/44 : 10;
x1 = 3*sin(2*t) + 3;
x2 = exp(0.5*t) + 10;
x3 = 2*power((t-4), 2);
x4 = log2(30*t) + 10;
x5 = log2(40*t) + t + 20;
x6 = power((t-11), 2);
x7 = 4*cos(3*t) + 10;
x8 = x2 + 0.9*x4;
x9 = x5 + 0.9*x5;
x10 = x5 + 0.9*x6;

y = -1 + 3*x1 - x9 + 0.4*(x10-50) + x6 + log2(x3+7) + 0.8*exp(x4-14) + ...
4*sin(x7+x8) + 0.015*power((x2-50), 2);

%% 創建並訓練網路
net = newrb(t1, ty);

%% 測試網路
testy = sim(net, t);

%% 畫圖
figure('Name', '曲線圖');
plot(t, y, 'r-');

hold on;
plot(t, testy, 'b+');
legend('根據原函數畫出的曲線', 'RBF神經網路得到的曲線');

Ⅷ 請問matlab中RBF神經網路newrbe函數用的什麼演算法

newrbe是設計精確的徑向基神經網路的函數，用法如：
P = [1 2 3];%輸入
T = [2.0 4.1 5.9];%目標
net = newrbe(P,T);%生成神經網路

其演算法是：生成的網路有2層，第一層是radbas神經元，用dist計算加權輸入，用netprod計算網路輸入，第二層是purelin神經元，用 dotprod計算加權輸入，用netsum計算網路輸入。兩層都有偏差b。
newrbe先設第一層權重為p'，偏差為0.8326，第二層權重IW{2,1}從第一層的模擬輸出 A{1}得到，偏差 b{2}從解線性方程 [W{2,1} b{2}] * [A{1}; ones] = T 得到。

Ⅸ matlab中用RBF神經網路做預測的代碼怎麼寫

clc;

clearall;

closeall;

%%----

c_1=[00];

c_2=[11];

c_3=[01];

c_4=[10];

n_L1=20;%numberoflabel1

n_L2=20;%numberoflabel2

A=zeros(n_L1*2,3);

A(:,3)=1;

B=zeros(n_L2*2,3);

B(:,3)=0;

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2;

A(i+n_L1,1:2)=c_2+rand(1,2)/2;

end

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2;

B(i+n_L2,1:2)=c_4+rand(1,2)/2;

end

%showpoints

scatter(A(:,1),A(:,2),[],'r');

holdon

scatter(B(:,1),B(:,2),[],'g');

X=[A;B];

data=X(:,1:2);

label=X(:,3);

%%Usingkmeanstofindcintervector

n_center_vec=10;

rng(1);

[idx,C]=kmeans(data,n_center_vec);

holdon

scatter(C(:,1),C(:,2),'b','LineWidth',2);

%%Calulatesigma

n_data=size(X,1);

%calculateK

K=zeros(n_center_vec,1);

fori=1:n_center_vec

K(i)=numel(find(idx==i));

end

%

%thencalucatesigma

sigma=zeros(n_center_vec,1);

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i));

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);

L2=sum(L2(:));

sigma(i)=sqrt(1/K(i)*L2);

end

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec);

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2;

r=sum(r,2);

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));

end

W=pinv(k_mat'*k_mat)*k_mat'*label;

y=k_mat*W;

%y(y>=0.5)=1;

%y(y<0.5)=0;

%%

[W1,sigma1,C1]=RBF_training(data,label,10);

y1=RBF_predict(data,W,sigma,C1);

[W2,sigma2,C2]=lazyRBF_training(data,label,2);

y2=RBF_predict(data,W2,sigma2,C2);

(9)Matlab之RBF網路污水預測擴展閱讀

matlab的特點

1、具有完備的圖形處理功能，實現計算結果和編程的可視化；

2、友好的用戶界面及接近數學表達式的自然化語言，使學者易於學習和掌握；

3、功能豐富的應用工具箱(如信號處理工具箱、通信工具箱等) ，為用戶提供了大量方便實用的處理工具。

Ⅹ 用matlab編程實現用RBF神經網路預測客流

%% 清空環境變數
clc
clear
close all
%%
a=load('walk1.txt');%讀取數據 % xlsread（『 『）；讀取execl文件
data=a(1:500,5);%樣本數據和測試數據
order=5;%輸入數據個數
snum=200;%訓練樣本數
step=3;%預測步數
input=data(1:snum);
output=data(1+order+step:snum+order+step);
delay=200;%訓練樣本與測試樣本間時延
input1=data(1+delay:snum+delay);
output1=date(1+order+delay+step:snum+order+delay+step);
input_train=zeros(snum,order);input_test=zeros(snum,order);
for i=1:snum
input_train(i,:)=data(i:i+order-1);
input_test(i,:)=data(i+delay:i+delay+order-1);
end
%% RBF神經網路預測
%% 網路建立和訓練
net=newrb(input_train',output',0.001,100,300,25);
% net=newrbe(input_train',output',100);
% net=newgrnn(input_train',output',10);
%% 網路驗證
ty=sim(net,input_train');
errR=abs(output-ty');
ty1=sim(net,input_test');
errR1=abs(output1-ty1');

figure
plot(1:snum,output1,'r*-');
hold on;
plot(1:snum,ty1','kx-');
title('三步RBF');
xlabel('數據序號');
ylabel('數據值');
legend('實際值','預測值');

figure
subplot(2,1,1);
stem(1:snum,errR1,'r*');
title('三步RBF');
xlabel('數據序號');
ylabel('絕對誤差值');
rbfmean = mean(errR1)
subplot(2,1,2);
stem(1:snum,
abs(errR1./output1),'r*');
title('三步RBF');
xlabel('數據序號');
ylabel('絕對誤差率');
rbfpmean = mean(abs(errR1./output1))*100%%
自己對著改一下。