七个RBF神经网络的源程序

dsahdajs

! W, a+ |3 e; Z% [. J% }( HRBF_cluster：
% x+ A6 P/ \7 Z. Q1 S

% 1.基于聚类的RBF 网设计算法
% 一维输入，一维输出，逼近效果很好！
4 k. k5 Q, n3 g& W1 n; PSamNum = 100; % 总样本数
TestSamNum = 101; % 测试样本数
/ c5 d9 R5 H3 g. }InDim = 1; % 样本输入维数
- ^& X: C& ?. a( XClusterNum = 10; % 隐节点数，即聚类样本数
Overlap = 1.0; % 隐节点重叠系数

. g2 X3 l3 p( o! j  _8 f% 根据目标函数获得样本输入输出
rand('state',sum(100*clock))
3 x- g9 O0 a4 F' b( n! h* s* {' _, l" GNoiseVar = 0.1;
8 x( \" j2 y3 a- @7 j2 w+ x$ `, VNoise = 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;

% M4 [1 Q4 |$ M% Q# X/ hTestSamIn = -4:0.08:4;
TestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);

1 x/ b2 Z$ e0 `figure
7 H+ e6 L7 z. D: J# H. V- }7 fhold on
grid
plot(SamIn,SamOut,'k+')
2 J; I5 u6 s& ?1 X$ Eplot(TestSamIn,TestSamOut,'r--')
xlabel('Input x');
ylabel('Output y');

Centers = SamIn(:,1:ClusterNum);

3 G3 a" N# \- \- i7 f1 L1 vNumberInClusters = 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
while 1,
( ~7 O$ E6 ^4 E% y% Z# |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

7 L; k9 o1 e( O5 e/ s* F# R% 按最小距离原则对所有样本进行分类
9 j! L$ z, T1 [for i = 1:SamNum
! h% ~% h" Y% Y, b8 V, v) _AllDistance = dist(Centers',SamIn(:,i));
[MinDist,Pos] = min(AllDistance);
2 V. |/ U" q% U( T4 v( M( ]NumberInClusters(Pos) = NumberInClusters(Pos) + 1;
IndexInClusters(Pos,NumberInClusters(Pos)) = i;
end
% 保存旧的聚类中心
) E3 L/ A& S8 A# ^OldCenters = Centers;

for i = 1:ClusterNum
Index = IndexInClusters(i,1:NumberInClusters(i));
2 j% S  L, K' Y" ^" C4 MCenters(:,i) = mean(SamIn(:,Index)')';
; E: {4 l% F3 V6 Send
* N( ?, P, k( }/ e. q% R, _/ [" b% 判断新旧聚类中心是否一致，是则结束聚类
$ o, f8 f$ N1 |# u8 x0 }EqualNum = sum(sum(Centers==OldCenters));
if EqualNum == InDim*ClusterNum,
break,
end
& H# x" j: [% f! A& P. [5 H& ^end
6 S$ o3 ?+ K! P* I  ?
% 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）
7 U# w1 `- z) @  x5 pMaximum = max(max(AllDistances)); % 找出其中最大的一个距离
2 T# t0 F, u- U3 j  n% g  ?for i = 1:ClusterNum % 将对角线上的0 替换为较大的值
AllDistances(i,i) = Maximum+1;
6 e" w/ a* d6 |$ @- n: s+ Uend
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
7 y" u4 V1 k; Q  ]4 K& HSpreadsMat = repmat(Spreads,1,SamNum);
3 D8 Y1 S% o+ n3 R, {HiddenUnitOut = radbas(Distance./SpreadsMat); % 计算隐节点输出阵
HiddenUnitOutEx = [HiddenUnitOut' ones(SamNum,1)]'; % 考虑偏移
: F4 L( X5 s1 }8 b) E  UW2Ex = SamOut*pinv(HiddenUnitOutEx); % 求广义输出权值
4 F# s: E- _6 ~6 ~1 M6 B9 HW2 = W2Ex(:,1:ClusterNum); % 输出权值
2 A: S4 e0 L& T9 j8 ]0 K- u, u5 GB2 = W2Ex(:,ClusterNum+1); % 偏移
' _. d1 q7 S# V' l4 I
3 h* x# c- y5 w( `% 测试
TestDistance = dist(Centers',TestSamIn);
TestSpreadsMat = repmat(Spreads,1,TestSamNum);
9 L0 A, x6 X; x' s% ZTestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
9 k6 z# Y0 k. kTestNNOut = W2*TestHiddenUnitOut+B2;
2 D& w9 x9 w2 \' d4 Y/ o& v: l1 qplot(TestSamIn,TestNNOut,'b-')
) d; d- {1 g9 X. ?: t& ~9 e/ R% ~W2
* [' \$ S9 v  w/ L8 s


" w7 V( w% W' ?( w

8 Y7 [2 X8 _' M- W1 U# R

游客，如果您要查看本帖隐藏内容请回复

( b2 I+ q' d# Y1 _% h5 }6 [# P1 w

Demyar

RBF神经网络的源程序。