EDA365电子论坛网
标题:
七个RBF神经网络的源程序
[打印本页]
作者:
dsahdajs
时间:
2020-3-20 11:07
标题:
七个RBF神经网络的源程序
: G: {, W& q7 W {6 X
RBF_cluster：
! H/ v6 ^0 x$ j! R5 w' A% i+ C! ]
; u& B( Q1 H) v1 g' C
$ ^5 }& S# u/ D
% 1.基于聚类的RBF 网设计算法
; {( |& a @2 ^) H' ~: F! b
% 一维输入，一维输出，逼近效果很好！
5 G: a" {) f4 R: N1 h: \
SamNum = 100; % 总样本数
& t# v8 U. a4 k4 F+ n4 u3 H- u
TestSamNum = 101; % 测试样本数
5 c- l2 [! T! U
InDim = 1; % 样本输入维数
& r: g6 R2 r, V& t
ClusterNum = 10; % 隐节点数，即聚类样本数
' w. X( T0 P7 d& m: i
Overlap = 1.0; % 隐节点重叠系数
8 @: l7 z' U( c a5 X
1 S$ k; b. f/ r2 ?; [- w
% 根据目标函数获得样本输入输出
, M2 {/ F9 X' _( w; }& e) T7 w
rand('state',sum(100*clock))
# o* x% n0 J& I) z9 ?8 J
NoiseVar = 0.1;
$ u. C( z7 }) D$ ^7 D3 t
Noise = NoiseVar*randn(1,SamNum);
. R& H Y. R+ q- U2 p) E/ ~' D
SamIn = 8*rand(1,SamNum)-4;
' r3 f& }$ T! u! ~* g& j. k7 p
SamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
+ {, y+ z8 i. y4 g9 o2 y- p
SamOut = SamOutNoNoise + Noise;
- a: Z7 h. m! W) T+ Y% @$ @
+ L- {0 X) X, e" j# q0 T
TestSamIn = -4:0.08:4;
/ H: h* j% Z- C: G/ ?2 [
TestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);
6 d5 t# I- H2 Y' M
% o0 w: X# J( l( E P/ j. S4 B
figure
# ?# Z7 C% T. }7 N9 ~, G! Z
hold on
2 u; k& c U3 ?; a/ A
grid
- [3 H+ v- j7 Q' \. a1 l$ O" x; c
plot(SamIn,SamOut,'k+')
: S- A2 U0 Z% V F) c
plot(TestSamIn,TestSamOut,'r--')
6 p/ m' G3 K3 i4 [0 I
xlabel('Input x');
, U9 g; m& A) F t& m
ylabel('Output y');
% O1 e4 y6 n4 L8 c3 W# z* O8 C
6 ~0 w. I" a- e' R7 j, _
Centers = SamIn(:,1:ClusterNum);
6 W2 I, [# K( R/ h/ F& ^
7 n/ G/ f: O8 O/ ^% }0 G
NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零
2 b: v* Z+ \6 D& t2 V$ R$ H5 a H
IndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号
, O5 P$ j v% k9 V! T; {/ H
while 1,
' J/ l) _7 A9 \6 i% h
NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零
* R! w7 {9 o. a0 a+ l X; i: e
IndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号
5 Q4 V+ j. H }" I
4 O$ H% }/ u' G! ?+ B5 [
% 按最小距离原则对所有样本进行分类
6 T, ^- R. `+ x6 Q0 m( \
for i = 1:SamNum
! W$ p8 M4 A# z2 [! q( k; p F* {
AllDistance = dist(Centers',SamIn(:,i));
+ Z% D a7 N8 Q" K/ a9 r0 p$ o
[MinDist,Pos] = min(AllDistance);
0 I, Z" p3 w9 p: @3 h1 p
NumberInClusters(Pos) = NumberInClusters(Pos) + 1;
! C) O% q/ k& V, m: @+ _2 Q. O, |( v
IndexInClusters(Pos,NumberInClusters(Pos)) = i;
3 z. R( D/ }5 r
end
. _+ [7 ?1 |2 h& w
% 保存旧的聚类中心
& A$ _7 k+ w5 y4 k1 V
OldCenters = Centers;
5 ^. I8 {0 _- |5 D. @
9 k9 `% g4 E1 e+ F
for i = 1:ClusterNum
% [# d7 j" F; [, y3 f. O9 Q
Index = IndexInClusters(i,1:NumberInClusters(i));
. }1 Z. `& G+ b! C8 K- N
Centers(:,i) = mean(SamIn(:,Index)')';
( s, U9 u) y: x6 P" J
end
6 J% [" A( U$ D5 u/ w* J. t
% 判断新旧聚类中心是否一致，是则结束聚类
2 V# P8 I) g$ u
EqualNum = sum(sum(Centers==OldCenters));
, I8 `7 ?( H/ A4 _/ J7 u6 ^
if EqualNum == InDim*ClusterNum,
" ]2 f4 |2 F7 Q( f+ O f5 _$ D0 u/ P
break,
+ G8 k9 V! K( v
end
8 \3 C9 M) a" ]5 [) u: N8 O, C/ k$ S8 [: L
end
+ a( p( U7 x$ r( \& Q$ V& g2 {
$ j# x8 c: F1 R m. \! Z
% 计算各隐节点的扩展常数（宽度）
' O- @! S: v' g
AllDistances = dist(Centers',Centers); % 计算隐节点数据中心间的距离（矩阵）
, ?% b i ~, h
Maximum = max(max(AllDistances)); % 找出其中最大的一个距离
; d. v2 l& X8 N! [: L4 @- ]
for i = 1:ClusterNum % 将对角线上的0 替换为较大的值
' N, Q& e* g) |3 B
AllDistances(i,i) = Maximum+1;
1 a+ b/ ?( [' m. b% h m
end
! Q- D6 E" G. k; M( n& \ @6 V
Spreads = Overlap*min(AllDistances)'; % 以隐节点间的最小距离作为扩展常数
0 {# J2 v( ~& c* R9 c/ z
8 Z3 P7 T& S) X( `
% 计算各隐节点的输出权值
# C9 Y. H' x8 a0 K0 y2 T
Distance = dist(Centers',SamIn); % 计算各样本输入离各数据中心的距离
2 h) h6 A. p% z5 |' o, K
SpreadsMat = repmat(Spreads,1,SamNum);
6 a. J h k, ]$ g) q
HiddenUnitOut = radbas(Distance./SpreadsMat); % 计算隐节点输出阵
4 w) f9 Y, S6 U* c K" |
HiddenUnitOutEx = [HiddenUnitOut' ones(SamNum,1)]'; % 考虑偏移
$ I f+ H% Q; a1 k$ f
W2Ex = SamOut*pinv(HiddenUnitOutEx); % 求广义输出权值
; o2 w9 \+ y7 V; q! c
W2 = W2Ex(:,1:ClusterNum); % 输出权值
6 r/ j0 H7 [, C; c# f0 a4 U
B2 = W2Ex(:,ClusterNum+1); % 偏移
1 J- N$ J5 J3 c3 y q
* }8 y5 N; `- c: T/ R2 u, j
% 测试
6 _% R4 D( {/ B/ P C7 t& s
TestDistance = dist(Centers',TestSamIn);
6 F$ Y _) s$ ^# }' k# g, h
TestSpreadsMat = repmat(Spreads,1,TestSamNum);
( j! b' L, w* `- U4 j# i
TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
, |9 v% I7 \/ b( r! h. m
TestNNOut = W2*TestHiddenUnitOut+B2;
7 N4 L6 [+ y3 I7 w
plot(TestSamIn,TestNNOut,'b-')
. f: P9 f6 U) O+ z: Y
W2
8 _& y; P# K" ^5 Z
4 V7 L$ T' v2 O( k& Q2 v; [0 d* R
8 E9 t* I9 {% \' u, ?
( H0 e/ ?$ x/ M* X# m
% v6 m/ c @6 Q! P0 E
" ^% r7 D: S( L' O$ j+ ]! z, e5 ^
5 z9 c) T8 [3 D( X2 D
# n' B) o; e! i% Z9 p
作者:
Demyar
时间:
2020-3-20 18:34
RBF神经网络的源程序。
欢迎光临 EDA365电子论坛网 (https://bbs.eda365.com/)
Powered by Discuz! X3.2