溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本文小編為大家詳細介紹“matlab基于近紅外光譜的汽油辛烷值預測實例分析”，內容詳細，步驟清晰，細節處理妥當，希望這篇“matlab基于近紅外光譜的汽油辛烷值預測實例分析”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。
對比兩種應用廣泛的有導師學習神經網絡——BP神經網絡、RBF神經網絡，在回歸擬合中的應用。
%% 清空環境變量
clear
clc
%% 訓練集/測試集產生
load spectra_data.mat
% 隨機產生訓練集和測試集
temp = randperm(size(NIR,1));
% 訓練集——50個樣本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 測試集——10個樣本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);
%% BP神經網絡創建、訓練及仿真測試
% 創建網絡
net = newff(P_train,T_train,9);
% 設置訓練參數
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-3;
net.trainParam.lr = 0.01;
% 訓練網絡
net = train(net,P_train,T_train);
% 仿真測試
T_sim_bp = sim(net,P_test);
%% RBF神經網絡創建及仿真測試
% 創建網絡
net = newrbe(P_train,T_train,0.3);
% 仿真測試
T_sim_rbf = sim(net,P_test);
%% 性能評價
% 相對誤差error
error_bp = abs(T_sim_bp - T_test)./T_test;
error_rbf = abs(T_sim_rbf - T_test)./T_test;
% 決定系數R^2
R2_bp = (N * sum(T_sim_bp .* T_test) - sum(T_sim_bp) * sum(T_test))^2 / ((N * sum((T_sim_bp).^2) - (sum(T_sim_bp))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
R2_rbf = (N * sum(T_sim_rbf .* T_test) - sum(T_sim_rbf) * sum(T_test))^2 / ((N * sum((T_sim_rbf).^2) - (sum(T_sim_rbf))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));
% 結果對比
result_bp = [T_test' T_sim_bp' T_sim_rbf' error_bp' error_rbf'];
%% 繪圖
figure
plot(1:N,T_test,'b:*',1:N,T_sim_bp,'r-o',1:N,T_sim_rbf,'k-.^')
legend('真實值','BP預測值','RBF預測值')
xlabel('預測樣本')
ylabel('辛烷值')
string = {'測試集辛烷值含量預測結果對比(BP vs RBF)';['R^2=' num2str(R2_bp) '(BP)' ' R^2=' num2str(R2_rbf) '(RBF)']};
title(string)
讀到這里，這篇“matlab基于近紅外光譜的汽油辛烷值預測實例分析”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
