gusucode.com > MATLAB神经网络多个案例分析及详细源代码 > 源程序/案例19 概率神经网络的分类预测-基于PNN变压器故障诊断/chapter19.m
%% 案例19: 概率神经网络的分类预测--基于PNN的变压器故障诊断 % % % <html> % <table border="0" width="600px" id="table1"> <tr> <td><b><font size="2">该案例作者申明:</font></b></td> </tr> <tr> <td><span class="comment"><font size="2">1:本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html"><font color="#0000FF">板块</font></a>里,对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html"><font color="#0000FF">该案例</font></a>提问,做到有问必答。</font></span></td></tr><tr> <td><span class="comment"><font size="2">2:此案例有配套的教学视频,配套的完整可运行Matlab程序。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 3:以下内容为该案例的部分内容(约占该案例完整内容的1/10)。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 4:此案例为原创案例,转载请注明出处(<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>,<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>)。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 5:若此案例碰巧与您的研究有关联,我们欢迎您提意见,要求等,我们考虑后可以加在案例里。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 6:您看到的以下内容为初稿,书籍的实际内容可能有少许出入,以书籍实际发行内容为准。</font></span></td> </tr><tr> <td><span class="comment"><font size="2"> 7:此书其他常见问题、预定方式等,<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</font></span></td> </tr></table> % </html> % %% 清空环境变量 clc; clear all close all nntwarn off; warning off; %% 数据载入 load data %% 选取训练数据和测试数据 Train=data(1:23,:); Test=data(24:end,:); p_train=Train(:,1:3)'; t_train=Train(:,4)'; p_test=Test(:,1:3)'; t_test=Test(:,4)'; %% 将期望类别转换为向量 t_train=ind2vec(t_train); t_train_temp=Train(:,4)'; %% 使用newpnn函数建立PNN SPREAD选取为1.5 Spread=1.5; net=newpnn(p_train,t_train,Spread) %% 训练数据回代 查看网络的分类效果 % Sim函数进行网络预测 Y=sim(net,p_train); % 将网络输出向量转换为指针 Yc=vec2ind(Y); %% 通过作图 观察网络对训练数据分类效果 figure(1) subplot(1,2,1) stem(1:length(Yc),Yc,'bo') hold on stem(1:length(Yc),t_train_temp,'r*') title('PNN 网络训练后的效果') xlabel('样本编号') ylabel('分类结果') set(gca,'Ytick',[1:5]) subplot(1,2,2) H=Yc-t_train_temp; stem(H) title('PNN 网络训练后的误差图') xlabel('样本编号') %% 网络预测未知数据效果 Y2=sim(net,p_test); Y2c=vec2ind(Y2) figure(2) stem(1:length(Y2c),Y2c,'b^') hold on stem(1:length(Y2c),t_test,'r*') title('PNN 网络的预测效果') xlabel('预测样本编号') ylabel('分类结果') set(gca,'Ytick',[1:5]) web browser http://www.ilovematlab.cn/viewthread.php?tid=63455 %% % % <html> % <table align="center" > <tr> <td align="center"><font size="2">版权所有:</font><a % href="http://www.ilovematlab.cn/">Matlab中文论坛</a> <script % src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table> % </html> %