基于MATLAB的径向基网络源程序.docx
- 文档编号:2490927
- 上传时间:2022-10-30
- 格式:DOCX
- 页数:5
- 大小:25.95KB
基于MATLAB的径向基网络源程序.docx
《基于MATLAB的径向基网络源程序.docx》由会员分享,可在线阅读,更多相关《基于MATLAB的径向基网络源程序.docx(5页珍藏版)》请在冰豆网上搜索。
%一维输入,一维输出,逼近效果很好!
1.基于聚类的RBF网设计算法
SamNum=100;%总样本数
TestSamNum=101;%测试样本数
InDim=1;%样本输入维数
ClusterNum=10;%隐节点数,即聚类样本数
Overlap=1.0;%隐节点重叠系数
%根据目标函数获得样本输入输出
rand('state',sum(100*clock))
NoiseVar=0.1;
Noise=NoiseVar*randn(1,SamNum);
SamIn=8*rand(1,SamNum)-4;
SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut=SamOutNoNoise+Noise;
TestSamIn=-4:
0.08:
4;
TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);
figure
holdon
grid
plot(SamIn,SamOut,'k+')
plot(TestSamIn,TestSamOut,'k--')
xlabel('Inputx');
ylabel('Outputy');
Centers=SamIn(:
1:
ClusterNum);
NumberInClusters=zeros(ClusterNum,1);%各类中的样本数,初始化为零
IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号
while1,
NumberInClusters=zeros(ClusterNum,1);%各类中的样本数,初始化为零
IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号
%按最小距离原则对所有样本进行分类
fori=1:
SamNum
AllDistance=dist(Centers',SamIn(:
i));
[MinDist,Pos]=min(AllDistance);
NumberInClusters(Pos)=NumberInClusters(Pos)+1;
IndexInClusters(Pos,NumberInClusters(Pos))=i;
end
%保存旧的聚类中心
OldCenters=Centers;
fori=1:
ClusterNum
Index=IndexInClusters(i,1:
NumberInClusters(i));
Centers(:
i)=mean(SamIn(:
Index)')';
end
%判断新旧聚类中心是否一致,是则结束聚类
EqualNum=sum(sum(Centers==OldCenters));
ifEqualNum==InDim*ClusterNum,
break,
end
end
%计算各隐节点的扩展常数(宽度)
AllDistances=dist(Centers',Centers);%计算隐节点数据中心间的距离(矩阵)
Maximum=max(max(AllDistances));%找出其中最大的一个距离
fori=1:
ClusterNum%将对角线上的0替换为较大的值
AllDistances(i,i)=Maximum+1;
end
Spreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数
%计算各隐节点的输出权值
Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离
SpreadsMat=repmat(Spreads,1,SamNum);
HiddenUnitOut=radbas(Distance./SpreadsMat);%计算隐节点输出阵
HiddenUnitOutEx=[HiddenUnitOut'ones(SamNum,1)]';%考虑偏移
W2Ex=SamOut*pinv(HiddenUnitOutEx);%求广义输出权值
W2=W2Ex(:
1:
ClusterNum);%输出权值
B2=W2Ex(:
ClusterNum+1);%偏移
%测试
TestDistance=dist(Centers',TestSamIn);
TestSpreadsMat=repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat);
TestNNOut=W2*TestHiddenUnitOut+B2;
plot(TestSamIn,TestNNOut,'k-')
W2
B2
2.基于梯度法的RBF网设计算法
SamNum=100;%训练样本数
TargetSamNum=101;%测试样本数
InDim=1;%样本输入维数
UnitNum=10;%隐节点数
MaxEpoch=5000;%最大训练次数
E0=0.9;%目标误差
%根据目标函数获得样本输入输出
rand('state',sum(100*clock))
NoiseVar=0.1;
Noise=NoiseVar*randn(1,SamNum);
SamIn=8*rand(1,SamNum)-4;
SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut=SamOutNoNoise+Noise;
TargetIn=-4:
0.08:
4;
TargetOut=1.1*(1-TargetIn+2*TargetIn.^2).*exp(-TargetIn.^2/2);
figure
holdon
grid
plot(SamIn,SamOut,'k+')
plot(TargetIn,TargetOut,'k--')
xlabel('Inputx');
ylabel('Outputy');
Center=8*rand(InDim,UnitNum)-4;
SP=0.2*rand(1,UnitNum)+0.1;
W=0.2*rand(1,UnitNum)-0.1;
lrCent=0.001;%隐节点数据中心学习系数
lrSP=0.001;%隐节点扩展常数学习系数
lrW=0.001;%隐节点输出权值学习系数
ErrHistory=[];%用于记录每次参数调整后的训练误差
forepoch=1:
MaxEpoch
AllDist=dist(Center',SamIn);
SPMat=repmat(SP',1,SamNum);
UnitOut=radbas(AllDist./SPMat);
NetOut=W*UnitOut;
Error=SamOut-NetOut;
%停止学习判断
SSE=sumsqr(Error)
%记录每次权值调整后的训练误差
ErrHistory=[ErrHistorySSE];
ifSSE fori=1: UnitNum CentGrad=(SamIn-repmat(Center(: i),1,SamNum))... *(Error.*UnitOut(i,: )*W(i)/(SP(i)^2))'; SPGrad=AllDist(i,: ).^2*(Error.*UnitOut(i,: )*W(i)/(SP(i)^3))'; WGrad=Error*UnitOut(i,: )'; Center(: i)=Center(: i)+lrCent*CentGrad; SP(i)=SP(i)+lrSP*SPGrad; W(i)=W(i)+lrW*WGrad; end end %测试 TestDistance=dist(Center',TargetIn); TestSpreadsMat=repmat(SP',1,TargetSamNum); TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat); TestNNOut=W*TestHiddenUnitOut; plot(TargetIn,TestNNOut,'k-') %绘制学习误差曲线 figure holdon grid [xx,Num]=size(ErrHistory); plot(1: Num,ErrHistory,'k-'); 3.基于OLS的RBF网设计算法 SamNum=100;%训练样本数 TestSamNum=101;%测试样本数 SP=0.6;%隐节点扩展常数 ErrorLimit=0.9;%目标误差 %根据目标函数获得样本输入输出 rand('state',sum(100*clock)) NoiseVar=0.1; Noise=NoiseVar*randn(1,SamNum); SamIn=8*rand(1,SamNum)-4; SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2); SamOut=SamOutNoNoise+Noise; TestSamIn=-4: 0.08: 4; TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2); figure holdon grid plot(SamIn,SamOut,'k+') plot(TestSamIn,TestSamOut,'k--') xlabel('Inputx'); ylabel('Outputy'); [InDim,MaxUnitNum]=size(SamIn);%样本输入维数和最大允许隐节点数 %计算隐节点输出阵 Distance=dist(SamIn',SamIn); HiddenUnitOut=radbas(Distance/SP); PosSelected=[]; VectorsSelected=[]; HiddenUnitOutSelected=[]; ErrHistory=[];%用于记录每次增加隐节点后的训练误差 VectorsSelectFrom=HiddenUnitOut; dd=sum((SamOut.*SamOut)')'; fork=1: MaxUnitNum %计算各隐节点输出矢量与目标输出矢量的夹角平方值 PP=sum(VectorsSelectFrom.*VectorsSelectFrom)'; Denominator=dd*PP'; [xxx,SelectedNum]=size(PosSelected); ifSelectedNum>
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MATLAB 径向 网络 源程序