%GRNN網(wǎng)絡net=newgrnn（PTSPREAD）
%采用統(tǒng)計學原理，有四層，模式層與樣本個數(shù)相同，激活函數(shù)與統(tǒng)計里面的一個式子構(gòu)成相同
%求和層與輸出個數(shù)相同，就是將模式層輸出相加，輸出是將求和層相除
clc
clear
x=zeros（10200）;
y=zeros（3200）;
input=x（:1:190）;
output=y（:1:190）;
test_input=x（:191:200）;
test_output=y（:191:200）;
desired_spread=[];
mse_max=10e20;
desired_input=[];
desired_output=[];
result_perf=[];
indices=crossvalind（‘Kfold‘length（input）4）;%分成4批
k=1;
for?i=1:4
????pref=[];
????disp（[‘...‘num2str（i）‘...‘]）;
????test=（indices==i）;
????train=~test;
????p_cv_train=input（:train）;
????t_cv_train=output（:train）;
????p_cv_test=input（:test）;
????t_cv_test=output（:test）;
????[p_cx_trainminpmaxpt_cv_trainmintmaxt]=premnmx（p_cv_traint_cv_train）;
????p_cv_test=tramnmx（p_cv_testminpmaxp）;
????for?spread=0.1:0.1:2
????????net=newgrnn（p_cv_traint_cv_trainspread）;
????????t_cv_test_sim=sim（netp_cv_test）;
????????t_cv_test_sim=postmnmx（t_cv_test_simmintmaxt）;
????????error=t_cv_test-t_cv_test_sim;
????????perf=[perfmse（error）];
????????if?mse（error）????????????mse_max=mse（error）;
????????????desired_spread=spread;
????????????desired_input=p_cv_train;
????????????desired_output=t_cv_train;
????????end
????????k=k+1;
????end
????result_perf（i:）=perf;
end
%相當于排除了訓練集中的一部分元素，找了擬合最好的一部分
net=newgrnn（desired_inputdesired_outputdesired_spread）;
p_test=tramnx（p_testminpmaxp）;
grnn_pre=sim（netp_test）;
grnn_pre=postmnmx（grnn_premintmaxt）;

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-07-23?00:49??GRNN紲炵粡緗戠粶\
?????文件????????1513??2019-07-23?00:47??GRNN紲炵粡緗戠粶\aaa.m
?????目錄???????????0??2019-08-26?12:09??__MACOSX\
?????目錄???????????0??2019-08-26?12:09??__MACOSX\GRNN紲炵粡緗戠粶\
?????文件?????????176??2019-07-23?00:47??__MACOSX\GRNN紲炵粡緗戠粶\._aaa.m