【GRNN回归预测】有限增量进化广义回归神经网络LIEV-GRNN数据回归预测【含Matlab源码 2132期】

⛄一、GRNN模型

GRNN是一种非线性回归的前馈式神经网络。通常是由输入层、模式层、求和层和输出层构成。GRNN算法在运算速度与学习能力上比径向基函数神经网络(radial basis function, RBF)、反向传播神经网络(back propagation, BP)更强，广泛应用于系统辨识、预测、控制等领域中。

GRNN网络模型如图1所示，含有四部分：

图1 GRNN模型
(1) 输入层。
输入层作用是将样本数据传送到模式层且不运行计算，输入向量的维数为m。文中通过FA法确定在南京地区使用该模型时输入向量的维数m=7,7种数据分别为平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速、日太阳总辐射和日光伏发电量。输入向量为：

X=[x1,x2,…,xm] (6)

(2) 模式层。
模式层中含有的神经元数目和学习样本的数目相同，均为n,神经元i的传递函数为：

式中：Xi为神经元i所对应的学习样本；σ为平滑参数，将平滑参数σ代入神经网络训练过程，以Δσ的间距在[σmin,σmax]寻取最优平滑参数。

(3) 求和层。
求和层含有2种类型的