基于GRNN网络和FCM的数据分类算法matlab仿真

目录

1.GRNN网络

2. FCM算法

3.实现过程

3.1. 数据预处理

3.2. GRNN网络训练

3.3. FCM聚类

3.4. 数据分类

4.核心程序

5. 仿真效果

---

       在当今信息时代，数据不断涌现，数据分类是数据挖掘和机器学习中的一个重要问题。数据分类算法旨在将数据点划分为不同的类别，以便于数据分析、决策和模式识别。本文将详细介绍基于GRNN（General Regression Neural Network）网络和FCM（Fuzzy C-Means）的数据分类算法，包括数学原理、实现过程和应用领域。

1.GRNN网络

      GRNN是一种神经网络模型，用于建模数据之间的关系。它在模式识别、回归分析和分类等领域具有广泛应用。GRNN，即General Regression Neural Network，中文全称为广义回归神经网络，是由The Lockheed Palo Alto研究实验室在1991年提出的。GRNN是一种新型的基于非线性回归理论的神经网络模型[43,44]。GRNN是建立在非参数核回归基础之上的，该神经网络是以测试样本为后验条件，并从观测样本中计算得到自变量和因变量之间的概率密度函数，然后在计算出因变量关于自变量的回归值。由于GRNN不需要规定模型的类型，只需要设置神经网络的光滑因子参数，GRNN神经网络的光滑因子参数的取值对神经网络的输出影响较大，当光滑因子参数较大的时候，其对应的神经元所覆盖的输入区域就越大；当光滑因子参数较小的时候，神经网络对应的径向基函数曲线较陡，因此神经网络输出结果更接近期望值，但此时光滑度越差。由于GRNN广义回归神经网络是基于非线性核回归分析的神经网络，因此，对于任意一个非独立变量y，其相对于独立变量x的回归分析的过程是计算具有最大概率值y。现假设随机变量x和y的联合概率密度函数为f (x ,y)，已知x的观测值为X，则y相对于X的回归，即条件均值为：

2. FCM算法

       FCM是一种模糊聚类算法，用于将数据点分成不同的模糊类别。它在聚类分析、模式识别和图像处理等领域广泛应用。FCM的数学原理如下：

       基于GRNN网络和FCM的数据分类算法的实现过程主要包括数据预处理、GRNN网络训练、FCM聚类、数据分类等步骤。

3.实现过程

3.1. 数据预处理

       在数据分类算法中，首先需要对原始数据进行预处理，包括特征选择、特征缩放和数据清洗等步骤，以便于后续的模型训练和分类。

3.2. GRNN网络训练

       将预处理后的数据输入到GRNN网络进行训练。训练过程中，计算每个输入与其他输入的相似度，并根据GRNN的输出计算预测值。

3.3. FCM聚类

      将训练好的GRNN网络的输出作为输入，使用FCM算法对数据进行聚类。确定隶属度 u_{ij}uij​ 和聚类中心 v_jvj​，将数据点分成不同的模糊类别。

3.4. 数据分类

        将待分类的数据点输入到训练好的GRNN网络，得到输出值。然后，根据FCM聚类结果和GRNN输出，确定数据点所属的类别。

4.核心程序

    %% 广义神经网络聚类
    net = newgrnn(P2',T2,50);   %训练广义网络
    
    a2=sim(net,P1') ;  %预测结果
    %输出标准化（根据输出来分类）
    a2(find(a2<=1.5))=1;
    a2(find(a2>1.5&a2<=2.5))=2;
    a2(find(a2>2.5&a2<=3.5))=3;
    a2(find(a2>3.5&a2<=4.5))=4;
    a2(find(a2>4.5))=5;
    
    %% 网络训练数据再次提取
    cent1=P1(find(a2==1),:);cent1=mean(cent1);
    cent2=P1(find(a2==2),:);cent2=mean(cent2);
    cent3=P1(find(a2==3),:);cent3=mean(cent3);
    cent4=P1(find(a2==4),:);cent4=mean(cent4);
    cent5=P1(find(a2==5),:);cent5=mean(cent5);
    
    for n=1:R1%计算样本到各个中心的距离
        ecent1(n)=norm(P1(n,:)-cent1);
        ecent2(n)=norm(P1(n,:)-cent2);
        ecent3(n)=norm(P1(n,:)-cent3);
        ecent4(n)=norm(P1(n,:)-cent4);
        ecent5(n)=norm(P1(n,:)-cent5);
    end
    
    %选择离每类中心最近的csum个样本
    for n=1:csum
        [va me1]=min(ecent1);
        [va me2]=min(ecent2);
        [va me3]=min(ecent3);
        [va me4]=min(ecent4);
        [va me5]=min(ecent5);
        ecnt1(n,:)=P1(me1(1),:);ecent1(me1(1))=[];tc1(n)=1;
        ecnt2(n,:)=P1(me2(1),:);ecent2(me2(1))=[];tc2(n)=2;
        ecnt3(n,:)=P1(me3(1),:);ecent3(me3(1))=[];tc3(n)=3;
        ecnt4(n,:)=P1(me4(1),:);ecent4(me4(1))=[];tc4(n)=4;
        ecnt5(n,:)=P1(me5(1),:);ecent5(me5(1))=[];tc5(n)=5;
    end
    
    p2=[ecnt1;ecnt2;ecnt3;ecnt4;ecnt5];T2=[tc1,tc2,tc3,tc4,tc5];

    %统计分类结果
    Confusion_Matrix_GRNN=zeros(6,6);
    Confusion_Matrix_GRNN(1,:)=[0:5];
    Confusion_Matrix_GRNN(:,1)=[0:5]';
    for nf=1:5
        for nc=1:5
            Confusion_Matrix_GRNN(nf+1,nc+1)=length(find(a2(find(T1==nf))==nc));
        end
    end
up2178

5. 仿真效果