分类预测 | PSO-PNN粒子群优化概率神经网络多特征分类预测

分类预测 | PSO-PNN粒子群优化概率神经网络多特征分类预测

分类效果

基本描述

1.Matlab实现PSO-PNN粒子群优化概率神经网络多特征分类预测，运行环境Matlab2018b及以上；

2.输入12个特征，输出分4类，可视化展示分类准确率，可在下载区获取数据和程序内容；
3.优化参数为PNN的散布值；
4.data为数据集，main为主程序，分类效果如下：
注：程序和数据放在一个文件夹。

概率神经网络（Probabilistic Neural Network，PNN）是一种基于统计原理的人工神经网络模型，它融合了径向基神经网络与经典的概率密度估计原理的优点，在模式分类方面表现出显著的优势。以下是对概率神经网络的详细介绍：
基本原理
概率神经网络以贝叶斯决策规则为核心思想，即错误分类的期望风险最小。它使用高斯函数进行概率密度估计，通过计算输入特征向量与训练集中各个模式的匹配程度（相似度），实现模式分类。其判别边界接近于贝叶斯最佳判定面，因此分类效果与最优贝叶斯分类器等价。
网络结构
概率神经网络一般包含以下四层：
输入层：负责将特征向量传入网络，输入层神经元的个数是样本特征的个数。

模式层（也称隐含层）：通过连接权值与输入层连接，计算输入特征向量与训练集中各个模式的匹配程度，并将其距离送入高斯函数得到模式层的输出。模式层神经元的个数是输入样本矢量的个数，即有多少个样本，该层就有多少个神经元。

求和层（也称竞争层）：负责将各个类的模式层单元连接起来，这一层的神经元个数是样本的类别数目。

输出层：负责输出求和层中得分最高的那一类，即最终的分类结果。

主要特点
训练简单、收敛快：概率神经网络的学习过程简单，训练速度快，非常适合实时处理。

分类准确、容错性好：概率神经网络在模式分类方面表现优异，其判别边界接近于贝叶斯最佳判定面，因此分类准确率高，且具有较强的容错性。

易于硬件实现：概率神经网络各层神经元的数目比较固定，因此易于硬件实现。

扩充性能好：增加或减少类别模式时，概率神经网络不需要重新进行长时间的训练学习，具有良好的扩充性能。

注：程序和数据放在一个文件夹。

程序设计

• 完整程序和数据私信博主回复分类预测 | PSO-PNN粒子群优化概率神经网络多特征分类预测。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行%%  分析数据
num_class = length(unique(res(:, end)));  % 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1;               % 特征维度
num_res = size(res, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                           % 训练集占数据集的比例
res = res(randperm(num_res), :);          % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）%%  设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];%%  划分数据集
for i = 1 : num_classmid_res = res((res(:, end) == i), :);           % 循环取出不同类别的样本mid_size = size(mid_res, 1);                    % 得到不同类别样本个数mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数end%%  数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';%%  得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229