辛烷值预测为例

%% I. 清空环境变量
clear all
clc

%% II. 训练集/测试集产生
%%
% 1. 导入数据
load NIR.mat
load octane.mat
load new_x.mat
%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——40个样本
P_train = NIR(temp(1:40),:)';
T_train = octane(temp(1:40),:)';
% 测试集——10个样本
P_test = NIR(temp(41:end),:)';
T_test = octane(temp(41:end),:)';
N = size(P_test,2);

%% III. RBF神经网络创建及仿真测试
%%
% 1. 创建网络     
net = newrbe(P_train,T_train,0.055);      %这里spread设置为30 每次都不太一样，可以自行调试到理想状态，一般使用0.001-0.009或者0.01-0.09  这个区间试验

% 2. 仿真测试
T_sim = sim(net,P_test);

%% IV. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_test)./T_test;

%%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

%%
% 3. 结果对比
result = [T_test' T_sim' error']

%% V. 绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)

%%VI. 预测新的数据
%% predict_y = zeros(10,1);
for i = 1: 10
    result1 = sim(net, new_x(i,:)');
    predict_y(i) = result1;
end
disp('预测值为：')
disp(predict_y)

数据想要的可以私聊