這篇文章主要講解了“基于概率神經網絡PNN的變壓器故障實例分析”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“基于概率神經網絡PNN的變壓器故障實例分析”吧！
%% 清空環境變量
clc;
clear
close all
nntwarn off;
warning off;
%% 數據載入
load data
%% 選取訓練數據和測試數據
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)';
%% 將期望類別轉換為向量
t_train=ind2vec(t_train);
t_train_temp=Train(:,4)';
%% 使用newpnn函數建立PNN SPREAD選取為1.5
Spread=1.5;
net=newpnn(p_train,t_train,Spread);
%% 訓練數據回代 查看網絡的分類效果
% Sim函數進行網絡預測
Y=sim(net,p_train);
% 將網絡輸出向量轉換為指針
Yc=vec2ind(Y);
%% 通過作圖 觀察網絡對訓練數據分類效果
figure(1)
subplot(1,2,1)
stem(1:length(Yc),Yc,'bo')
hold on
stem(1:length(Yc),t_train_temp,'r*')
title('PNN 網絡訓練后的效果')
xlabel('樣本編號')
ylabel('分類結果')
set(gca,'Ytick',1:5)
subplot(1,2,2)
H=Yc-t_train_temp;
stem(H)
title('PNN 網絡訓練后的誤差圖')
xlabel('樣本編號')
%% 網絡預測未知數據效果
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 網絡的預測效果')
xlabel('預測樣本編號')
ylabel('分類結果')
set(gca,'Ytick',1:5)
感謝各位的閱讀，以上就是“基于概率神經網絡PNN的變壓器故障實例分析”的內容了，經過本文的學習后，相信大家對基于概率神經網絡PNN的變壓器故障實例分析這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
