七个RBF神经网络的源程序

dsahdajs

' ?; D& v! v+ `  \3 R9 j$ S, MRBF_cluster：

  \; p$ L' z8 q. f
- |: l2 y% l3 G2 [% 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！
9 X& Y7 r/ o1 l1 {, d8 uSamNum = 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

% 根据目标函数获得样本输入输出
rand('state',sum(100*clock))
! v2 k% c6 |7 N) `1 s7 eNoiseVar = 0.1;
Noise = NoiseVar*randn(1,SamNum);
& Q2 g$ R# u" G' E* y; ySamIn = 8*rand(1,SamNum)-4;
1 x; N$ ^% m) E1 DSamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut = SamOutNoNoise + Noise;

TestSamIn = -4:0.08:4;
( n, j7 |0 U4 HTestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);
  T7 ?, H& E' [
& L# h4 H- }" p9 @& kfigure
hold on
grid
0 o3 Q9 N# t2 Lplot(SamIn,SamOut,'k+')
! O( D9 _  ~* [" i" E# X( ^9 j7 E1 mplot(TestSamIn,TestSamOut,'r--')
xlabel('Input x');
ylabel('Output y');
1 B$ p- u# ?( H5 o; w- b
Centers = SamIn(:,1:ClusterNum);

NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零
6 T" O9 A. ]7 D0 d' _8 P. f& VIndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号
while 1,
; @1 f0 }* X6 w% v8 YNumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零
; [. z) w4 N- R- Y* _0 zIndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号

% V* u" Z, x, L- g4 X" W4 U; [% 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));
- r& t- U6 r6 y1 `[MinDist,Pos] = min(AllDistance);
' p: R3 _/ d" l8 h: k5 j& T* DNumberInClusters(Pos) = NumberInClusters(Pos) + 1;
IndexInClusters(Pos,NumberInClusters(Pos)) = i;
$ M, _( x- ^3 B0 V4 i9 |+ ?, Nend
+ F1 Y% c% y2 z1 ]& V+ w$ _/ e- p% 保存旧的聚类中心
OldCenters = Centers;

) R4 n- M; f' u$ Z) l, z8 j8 `' hfor i = 1:ClusterNum
) m% C8 o; a; I$ e& ?* sIndex = IndexInClusters(i,1:NumberInClusters(i));
Centers(:,i) = mean(SamIn(:,Index)')';
8 `+ n0 C8 U, b* P: R* O4 A( r! ?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,
break,
, [4 B) j# c' T7 K+ v  Uend
end
' O% U7 r% w/ f
' d' X) L% ^. Q( v+ a% 计算各隐节点的扩展常数（宽度）
; w7 h: ~( q; w3 zAllDistances = 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
$ _' ]. Y" v  S$ I3 K1 rAllDistances(i,i) = Maximum+1;
end
. g0 ?! H3 I% y( a/ C$ I$ ^+ u  @2 RSpreads = Overlap*min(AllDistances)'; % 以隐节点间的最小距离作为扩展常数
7 y" y, c1 J8 ?9 ?, r2 z8 s
0 b% B, M: V7 c' \9 G, n% 计算各隐节点的输出权值
% d1 A6 \& d; S5 L6 S+ h' x$ Q& }Distance = dist(Centers',SamIn); % 计算各样本输入离各数据中心的距离
SpreadsMat = 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
4 D6 ?' G$ G3 z# [* g4 tW2Ex = SamOut*pinv(HiddenUnitOutEx); % 求广义输出权值
, @2 `* r: M4 k. h! ]. RW2 = W2Ex(:,1:ClusterNum); % 输出权值
B2 = W2Ex(:,ClusterNum+1); % 偏移
3 g; Y; H8 g1 }5 }* O5 B# e
" F; g; g3 ?9 O: B. F% b% 测试
5 k/ j) _& u9 c2 v+ p  m$ JTestDistance = dist(Centers',TestSamIn);
TestSpreadsMat = repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
TestNNOut = W2*TestHiddenUnitOut+B2;
plot(TestSamIn,TestNNOut,'b-')
W2



' w! V  p0 ^1 I$ E# ~8 a# Z+ g7 d

7 ]/ u2 p5 @' U. V* B2 L( T: k
/ ]) N" b7 @) h3 F8 n

游客，如果您要查看本帖隐藏内容请回复

. S' ]0 P, f; z7 R/ _# r  s* h: o8 @

Demyar

RBF神经网络的源程序。