七个RBF神经网络的源程序

dsahdajs

RBF_cluster：
( V: T0 K) G9 W/ V  G
( f+ T7 A' l+ H* ]) p# x
0 P2 r* S0 B, `0 I% 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！
SamNum = 100; % 总样本数
TestSamNum = 101; % 测试样本数
8 w9 J' f" K+ S, ^( SInDim = 1; % 样本输入维数
, {( }. q' j8 }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
$ T3 p# p, |/ u2 `) @rand('state',sum(100*clock))
NoiseVar = 0.1;
. z$ l7 ~9 O4 iNoise = NoiseVar*randn(1,SamNum);
  J, h, y3 M. i+ iSamIn = 8*rand(1,SamNum)-4;
( S2 i2 [0 K. y( {4 aSamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
4 x- w" S6 n% J3 uSamOut = SamOutNoNoise + Noise;
, T% }! d3 c  S& l) b4 i  M
8 _1 |5 f$ G" ?6 s$ x7 ?TestSamIn = -4:0.08:4;
0 }! a9 p) k( y, M: w' R$ B2 B& pTestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);
3 ~/ g: S! n' R) {7 Z! P
& P5 a/ U" X& N: K( M; |figure
/ k+ ~; a* y* K' N* }hold on
grid
. a, L8 h+ i8 j! v9 d6 nplot(SamIn,SamOut,'k+')
& h5 p- s: c, R5 e  a$ e: yplot(TestSamIn,TestSamOut,'r--')
8 c; X2 O! @; w3 r5 Ixlabel('Input x');
ylabel('Output y');

Centers = SamIn(:,1:ClusterNum);
/ \( m1 U. ?3 O
3 P- D3 a/ r! e& e3 O5 INumberInClusters = 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
8 p. q( i. N8 N  ^while 1,
5 L% l5 F; o# ]0 NNumberInClusters = 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
9 F; ]2 w: g0 j. O) Y
# O+ v  b, ^, p$ B; q0 A2 w% 按最小距离原则对所有样本进行分类
for i = 1:SamNum
AllDistance = dist(Centers',SamIn(:,i));
[MinDist,Pos] = min(AllDistance);
, h" M/ @% t* k: a. ]# z' y- X  oNumberInClusters(Pos) = NumberInClusters(Pos) + 1;
IndexInClusters(Pos,NumberInClusters(Pos)) = i;
end
* d3 L. y) S' r% \; v" g2 d/ D3 C- x% 保存旧的聚类中心
OldCenters = Centers;

for i = 1:ClusterNum
Index = IndexInClusters(i,1:NumberInClusters(i));
Centers(:,i) = mean(SamIn(:,Index)')';
2 S* K; Q2 f4 v: R5 X# Kend
6 {. G/ l# m% Z8 A/ `% 判断新旧聚类中心是否一致，是则结束聚类
EqualNum = sum(sum(Centers==OldCenters));
if EqualNum == InDim*ClusterNum,
2 Z7 D, V% U1 P" b- X0 M7 ?break,
2 J1 G0 ?) {7 e6 x# lend
end

% 计算各隐节点的扩展常数（宽度）
3 @& B1 |! f8 e: X3 \AllDistances = dist(Centers',Centers); % 计算隐节点数据中心间的距离（矩阵）
2 F' N$ f; @* r/ L; ~Maximum = max(max(AllDistances)); % 找出其中最大的一个距离
4 v" a  P& W' s  l: k; g. hfor i = 1:ClusterNum % 将对角线上的0 替换为较大的值
AllDistances(i,i) = Maximum+1;
* w' i8 w) n3 ~- \end
Spreads = Overlap*min(AllDistances)'; % 以隐节点间的最小距离作为扩展常数
$ |% v3 a7 |/ |+ e% a+ s: q! u5 R1 o
5 p: x7 {; z2 y4 h6 @* w% 计算各隐节点的输出权值
& |; u5 ~; J) r0 k! qDistance = dist(Centers',SamIn); % 计算各样本输入离各数据中心的距离
SpreadsMat = repmat(Spreads,1,SamNum);
6 m  n" ^/ w9 z; aHiddenUnitOut = radbas(Distance./SpreadsMat); % 计算隐节点输出阵
$ z" T+ b2 m0 ?) O0 c. p6 }/ X# {+ PHiddenUnitOutEx = [HiddenUnitOut' ones(SamNum,1)]'; % 考虑偏移
  {; `& ?' W$ e. Z& [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
  M/ O3 v+ {/ y- Z7 `0 J; P5 |0 b
( A9 I5 C* c8 e! @  y% 测试
TestDistance = dist(Centers',TestSamIn);
4 Z( i$ m4 }6 q1 T+ fTestSpreadsMat = repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
) Z( x: D! W, ~TestNNOut = W2*TestHiddenUnitOut+B2;
9 O, q$ ]& q+ p: O* `; s- \/ |0 g& G* _plot(TestSamIn,TestNNOut,'b-')
W2

; R3 ]: t3 H( M9 v; Q
" R5 X$ J* K9 X/ `7 r& N8 Z# Y


' H& ?* ]$ D) q% \
: Q8 f, h5 ~0 f/ d) L0 X: r4 _

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。