七个RBF神经网络的源程序

dsahdajs

% r" y4 A! a7 d9 F6 r; O* cRBF_cluster：
# D0 I7 i) |! Z7 k! _2 ?

% 1.基于聚类的RBF 网设计算法
' Z& I3 s( h7 j3 K% 一维输入，一维输出，逼近效果很好！
: L7 o( z4 F! Q; V  u6 MSamNum = 100; % 总样本数
" u& o0 {; G) H7 w0 M5 y+ \& GTestSamNum = 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

$ H& D' Q; x) N+ c7 L7 c% 根据目标函数获得样本输入输出
rand('state',sum(100*clock))
NoiseVar = 0.1;
7 u3 D$ h5 w) a; b/ hNoise = NoiseVar*randn(1,SamNum);
SamIn = 8*rand(1,SamNum)-4;
/ w8 O& C" _5 C: w$ i7 f# zSamOutNoNoise = 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);

1 s" M8 Y* c3 N; M4 I$ Qfigure
+ P- e+ d2 Q( ~hold on
grid
3 t  A$ v* R+ J$ u" P. iplot(SamIn,SamOut,'k+')
plot(TestSamIn,TestSamOut,'r--')
xlabel('Input x');
# V6 S1 w4 }. ]0 P; S2 n& Kylabel('Output y');
& W$ n$ w: {$ S( N2 \* h" k1 j& Y
4 v1 I/ V; |% w; f; y% R: _Centers = SamIn(:,1:ClusterNum);

. l& m# I- w  F: ?NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零
/ P* j2 @' v+ x* F) RIndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号
while 1,
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
for i = 1:SamNum
8 n. E1 ^* G2 g4 a" I+ AAllDistance = dist(Centers',SamIn(:,i));
' j$ ]. Y6 ^( }6 a' |% G[MinDist,Pos] = min(AllDistance);
NumberInClusters(Pos) = NumberInClusters(Pos) + 1;
6 t+ {' T- B' [6 @2 ?" p/ jIndexInClusters(Pos,NumberInClusters(Pos)) = i;
) r& B$ X( J+ s3 h3 U/ a/ G' z7 C+ Xend
% 保存旧的聚类中心
& j9 H/ {7 f+ |; e" i( ]OldCenters = Centers;
; \0 Q9 I0 r4 o
for i = 1:ClusterNum
- X3 N$ s' W  W" a! EIndex = IndexInClusters(i,1:NumberInClusters(i));
Centers(:,i) = mean(SamIn(:,Index)')';
end
% [3 k$ {) l" w% x3 A. @- O% 判断新旧聚类中心是否一致，是则结束聚类
3 G% S$ v% Y: z! ]( \/ |EqualNum = sum(sum(Centers==OldCenters));
8 ~+ e" T: _& X6 j- U$ x- zif EqualNum == InDim*ClusterNum,
; `9 L; B# u/ U6 xbreak,
) Y% D5 ?& ]5 x$ ^% ?5 L* h+ x6 k- xend
end
8 t- G: r% J  o: a9 E
; k# H2 ~3 y/ A5 L% 计算各隐节点的扩展常数（宽度）
/ g5 ^$ t7 Q/ R. u$ _' C9 SAllDistances = 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
for i = 1:ClusterNum % 将对角线上的0 替换为较大的值
AllDistances(i,i) = Maximum+1;
; |- \8 }% j! }6 ]. R' iend
Spreads = Overlap*min(AllDistances)'; % 以隐节点间的最小距离作为扩展常数

& n* H' y1 k$ f9 g& K& I' d* [% 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
/ k4 |# C, J) G* FSpreadsMat = repmat(Spreads,1,SamNum);
9 I' r' D2 S2 F. vHiddenUnitOut = 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

& w, c* x0 H0 ~8 P& K6 C% 测试
! a" P3 c0 l+ h8 s4 b$ m' yTestDistance = dist(Centers',TestSamIn);
; k' `7 j+ t$ VTestSpreadsMat = repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
TestNNOut = W2*TestHiddenUnitOut+B2;
plot(TestSamIn,TestNNOut,'b-')
W2
- V% ]: m, J% C5 c2 K$ N! Y

, \. a. n5 J9 O! m. D3 K  P

1 Z. x  {8 r! j" `8 m2 _1 {  A  m2 ^
0 j0 B6 M) A- W

游客，如果您要查看本帖隐藏内容请回复

Demyar

RBF神经网络的源程序。