matlab RBF 神经网络拟合

(1)newrb()

https://www.mathworks.com/help/deeplearning/ref/newrb.html

该函数可以用来设计一个近似径向基网络(approximate RBF)。调用格式为：

[net,tr]=newrb(P,T,GOAL,SPREAD,MN,DF)

其中P为Q组输入向量组成的R*Q位矩阵，T为Q组目标分类向量组成的S*Q维矩阵。GOAL为均方误差目标(Mean Squard Error Goal)，默认为0.0；SPREAD为径向基函数的扩展速度，默认为1；MN为神经元的最大数目，默认为Q；DF维两次显示之间所添加的神经元数目，默认为25；ner为返回值，一个RBF网络，tr为返回值，训练记录。

用newrb（）创建RBF网络是一个不断尝试的过程(从程序的运行可以看出来)，在创建过程中，需要不断增加中间层神经元的和个数，知道网络的输出误差满足预先设定的值为止。

(2)newrbe()

https://www.mathworks.com/help/deeplearning/ref/newrbe.html

该函数用于设计一个精确径向基网络(exact RBF)，调用格式为：

net=newrbe(P,T,SPREAD)

其中P为Q组输入向量组成的R*Q维矩阵，T为Q组目标分类向量组成的S*Q维矩阵；SPREAD为径向基函数的扩展速度，默认为1

和newrb()不同的是，newrbe()能够基于设计向量快速，无误差地设计一个径向基网络。

(3)radbas()

该函数为径向基传递函数，调用格式为

A=radbas(N)

info=radbas(code)

其中N为输入（列）向量的S*Q维矩阵，A为函数返回矩阵，与N一一对应，即N的每个元素通过径向基函数得到A；info=radbas(code)表示根据code值的不同返回有关函数的不同信息。包括

derive——返回导函数的名称

name——返回函数全称

output——返回输入范围

active——返回可用输入范围

使用exact径向基网络来实现非线性的函数回归：

%%清空环境变量 clc clear %%产生输入输出数据 %设置步长 interval=0.01; %产生x1,x2 x1=-1.5:interval:1.5; x2=-1.5:interval:1.5; %按照函数先求的响应的函数值，作为网络的输出 F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %%网络建立和训练 %网络建立，输入为[x1;x2]，输出为F。spread使用默认 net=newrbe([x1;x2],F); %%网络的效果验证 %将原数据回带，测试网络效果 ty=sim(net,[x1;x2]); %%使用图像来看网络对非线性函数的拟合效果 figure plot3(x1,x2,F,'rd'); hold on;plot3(x1,x2,ty,'b-.'); view(113,36); title('可视化的方法观察严格的RBF神经网络的拟合效果'); xlabel('x1') ylabel('x2') zlabel('F') grid on

approximate RBF网络对函数进行拟合

%%清空环境变量 clc clear %%产生训练样本，训练输入，训练输出 %ld为样本隶属 ld=400; %产生2*ld的矩阵 x=rand(2,ld); %将x转换到[-1.5 1.5]之间 x=(x-0.5)*1.5*2; %x的第一行为x1，第二行为x2 x1=x(1,:); x2=x(2,:); %计算网络输出F值 F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %%建立RBF神经网络 %采用approximate RBF神经网络，spread为默认值 net=newrb(x,F); %%建立测试样本 interval=0.1; [i,j]=meshgrid(-1.5:interval:1.5); row=size(i); tx1=i(:); tx1=tx1'; tx2=j(:); tx2=tx2'; tx=[tx1;tx2];%%使用建立的RBF网络进行模拟，得出网络输出 ty=sim(net,tx); %%使用图像，画出三维图 %真正的函数图像 interval=0.1; [x1,x2]=meshgrid(-1.5:interval:1.5); F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); subplot(1,3,1); mesh(x1,x2,F); zlim([0,60]); title('真正的函数图像'); %网络得出的函数图像 v=reshape(ty,row); subplot(1,3,2); mesh(i,j,v); zlim([0,60]); title('RBF神经网络结果'); %误差图像 subplot(1,3,3); mesh(x1,x2,F-v); zlim([0,60]); title('误差图像'); set(gcf,'position',[300,250,900,400])

结论：可以看出神经网络的训练结果能够较好逼近该非线性函数F，由误差图可知，实景网络的预测效果在数据边缘处的误差较大，在其它书指出的拟合效果很好，网络的输出值与函数值之间的插值在隐藏层神经元的个数为100时已经接近0，说明网络输出能非常好地逼近函数。

 

总结

以上是生活随笔为你收集整理的matlab RBF 神经网络拟合的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。