各位高手前輩們：

你們好！

我剛剛接觸神經網絡不久，在用RBF網絡來進行溫度預測時，得到的預測誤差比較大。現在調節的方法只是調整SPREAD值，結果很不理想！我想知道是什么原因產生這么大的誤差，溫度相差40度，是不是程序有什么問題，希望各位前輩能幫我指出哪部分有錯誤，提出一些解決的方法，我在此表示真誠的感謝！程序如下！

謝謝大家了!

%產生數據

clc;

clear;

%generate the learing data

x=[0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440;

3 5 7 8 10 11 12 13 13 13 15 16 18 19 19 19 19 20 20 21 21 21 22;

41 41 43 44 49 64 70 81 89 95 100 104 108 111 112 111 122 127 126 125 126 125 129];

F=[40.6 42.2 41.2 42.8 44.8 55.8 63.2 58.6 65.4 70.5 76.2 83.8??82.8 85.2 78.8 92 97 102.2 106.9 98.9 104.8 106.2 108];

x_train=x(:,1:20);F_train=F(:,1:20);

x_test=x(:,21:23);F_test=F(:,21:23);

%訓練數據歸一化處理

for i=1:3

x1_train(i,:)=(x_train(i,:)-min(x(i,:)))/(max(x(i,:))-min(x(i,:)))

end

F1=F_train/max(F);

%測試數據歸一化處理

for i=1:3

x1_test(i,:)=(x_test(i,:)-min(x(i,:)))/(max(x(i,:))-min(x(i,:)))

end

%% 建立RBF網絡

err_goal=0.0001;

spread=0.7;

df=1;

mn=100;

net=newrb(x1_train,F1,err_goal,spread,mn,df);

Y1=sim(net,x1_train);

Y2=sim(net,x1_test);

%訓練數據反歸一化處理

for i=1:3

x2_train(i,:)=x1_train(i,:)*(max(x(i,:))-min(x(i,:)))+min(x(i,:))

end

Y3=Y1*max(F);

%測試數據反歸一化處理

for i=1:3

x_test(i,:)=x_test(i,:)*(max(x_test(i,:))-min(x_test(i,:)))+min(x_test(i,:))

end

Y4=Y2*max(F);

E=F_train-Y1;

SSE=sse(E);

MSE=mse(E);

%擬合圖

figure(1);

plot(F_train);

hold on;

plot(Y3,'r:');

title('RBF網絡擬合曲線圖');

legend('實際值','預測值');

ylabel('表面溫度');

xlabel('輸入樣本點');

figure(2);

plot(F_test,'-*');

hold on;

plot(Y4,'r:');

legend('期望輸出','預測輸出')

title('RBF網絡預測曲線圖')

ylabel('表面溫度')

xlabel('樣本')

總結

以上是生活随笔為你收集整理的matlab预测误差,Matlab的神经网络预测误差比较大，该怎样调整的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。