广义回归神经网络预测GRNN——MATLAB超详细代码实现过程

 本文主要针对广义回归神经网络预测在MATLAB中的实现过程进行陈述，方便读者可以快速上手实现GRNN回归预测，GRNN的基本思想是通过计算输入数据点与已知数据点之间的距离来确定输出。该模型的输入是一组特征向量，输出是对应的目标值。GRNN模型的训练不需要迭代，因此具有快速的训练速度和良好的泛化能力，尤其适用于小样本回归问题。GRNN具有很强的学习速度、良好的非线性逼近能力、鲁棒性和容错能力，常用于回归分析、函数逼近和时间序列预测等任务。接下来让我们一起来学习MATLAB实现GRNN的具体流程吧。

第一步：清空变量，导入数据，数据一般都是多输入单输出，假设数据有7列，那么前6列为输入值，最后一列为输出值，具体实现代码如下:

 第二步：数据归一化，将数据进行简单归一化处理，将数据归一到同一量纲上，有利于提高精度。主要用到MATLAB中mapminmax函数

第三步：经过归一化之后，就可以设置GRNN的基本参数了，主要有一个参数需要设置，是传播系数spread。GRNN中的一个重要参数是spread（传播参数），它控制了神经元响应的范围。在GRNN中，每个训练样本点都对应一个高斯函数，spread决定了这个高斯函数的宽度。spread越大，高斯函数的标准差越大，神经元的响应范围也就越广，反之则越窄。当spread较小时，GRNN模型更加接近原始数据，但可能导致过拟合；当spread较大时，模型更加平滑，但可能丧失了对数据的细节信息。

​

第四步：模型建立好了之后就可以对我们的测试集进行预测，主要通过函数sim（）进行预测,使用格式如下：

第五步：计算相关的误差，如RMSE、MSE、R^2等 

最后代码的运行结果如下：