七个RBF神经网络的源程序

dsahdajs

/ ]& P6 w/ o' @7 M5 N7 aRBF_cluster：
% E" o1 s# n/ x: ?9 p) v3 K
6 s) w, ~8 {3 x1 V# P
% 1.基于聚类的RBF 网设计算法
& y7 i* P9 G( n1 k- d% 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
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
: J+ r% l3 g& Z, H7 M
% 根据目标函数获得样本输入输出
rand('state',sum(100*clock))
NoiseVar = 0.1;
+ v, \% Y# l7 e+ q- b( a8 RNoise = NoiseVar*randn(1,SamNum);
0 G+ N- z1 M$ r7 r$ |) M1 WSamIn = 8*rand(1,SamNum)-4;
SamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
+ x+ t) j9 W4 JSamOut = SamOutNoNoise + Noise;

TestSamIn = -4:0.08:4;
% ?4 ^1 y0 v( t: ^TestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);

figure
hold on
! R! A, U2 V& O4 z( g- w* Rgrid
2 T# W% Y2 Z9 F% j8 cplot(SamIn,SamOut,'k+')
+ l" V0 U# t& T$ s5 v: J3 eplot(TestSamIn,TestSamOut,'r--')
xlabel('Input x');
! D% T5 n: q" x/ T/ x5 i& `ylabel('Output y');
8 B; W* \5 g" b! ]) g
% u) v+ U2 P6 n2 k' d9 ?% sCenters = SamIn(:,1:ClusterNum);
* o6 J  J+ Y- X1 s! [
8 Y: s4 G$ }% q# y5 L6 d( LNumberInClusters = 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,
8 o! {% l7 Z7 ~, f. ?* UNumberInClusters = 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
AllDistance = dist(Centers',SamIn(:,i));
5 ?  Z. j; n! P  w- k, D5 O! m[MinDist,Pos] = min(AllDistance);
NumberInClusters(Pos) = NumberInClusters(Pos) + 1;
0 ^8 y4 a) s  R) [) rIndexInClusters(Pos,NumberInClusters(Pos)) = i;
end
# p# x7 b0 c. l% 保存旧的聚类中心
OldCenters = Centers;
5 b1 t2 e5 G0 P9 ~3 A5 E* j
- K( }! N3 L+ K' V2 y4 S" tfor i = 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));
if EqualNum == InDim*ClusterNum,
4 J* _! A5 Q( b& O1 u7 G) xbreak,
$ y! X- E* }( Tend
end
+ H$ ?+ d1 }+ B
% b% M8 r* c5 W" I  K- M6 Q% 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
) L7 Z+ i2 e$ u- Vfor i = 1:ClusterNum % 将对角线上的0 替换为较大的值
AllDistances(i,i) = Maximum+1;
! \1 a* x& c* P9 t# R/ o/ e* ]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
- S# _: O) ^( h+ x7 u" KSpreadsMat = 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
! i: j1 e$ A! d* W' \B2 = W2Ex(:,ClusterNum+1); % 偏移

) E1 H* I& J: y! a4 k+ D# o% 测试
" V, [, W- ]! |- ~: v" N' ZTestDistance = dist(Centers',TestSamIn);
TestSpreadsMat = repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
1 A0 Y3 O6 B* c$ qTestNNOut = W2*TestHiddenUnitOut+B2;
( ]3 D& }8 A: J; Xplot(TestSamIn,TestNNOut,'b-')
W2




  l' `' g9 E9 ^) q1 a9 ?
7 H1 v1 u, I! t% g
- h. E" X: S8 f; G0 }/ o

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。