七个RBF神经网络的源程序

dsahdajs

RBF_cluster：


% 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
1 Z. q( ]/ n, D+ k, N" f" P+ s9 nTestSamNum = 101; % 测试样本数
InDim = 1; % 样本输入维数
8 X6 x" V' g2 C7 ?- [  _& W# y. G( J( e8 lClusterNum = 10; % 隐节点数，即聚类样本数
Overlap = 1.0; % 隐节点重叠系数
) L9 b& k9 c# f
5 K3 k" T) V# X. k" C2 j, |1 g+ Z% 根据目标函数获得样本输入输出
rand('state',sum(100*clock))
) D0 C; V' Z2 C. Q( eNoiseVar = 0.1;
Noise = NoiseVar*randn(1,SamNum);
SamIn = 8*rand(1,SamNum)-4;
6 Q% y. @* b2 s7 d' V: f" NSamOutNoNoise = 1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut = SamOutNoNoise + Noise;
; \/ r; J9 A! ~$ o) @1 Y/ T
TestSamIn = -4:0.08:4;
: }7 W4 S5 r+ Y2 G3 H% TTestSamOut = 1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);

- q5 Z4 T- H( tfigure
hold on
grid
& G# l# i1 l1 w! Q- t2 G8 qplot(SamIn,SamOut,'k+')
plot(TestSamIn,TestSamOut,'r--')
xlabel('Input x');
1 T+ a7 o% p4 S) U8 \& t5 [' Wylabel('Output y');

2 T' w0 H7 j' {9 X" SCenters = SamIn(:,1:ClusterNum);

NumberInClusters = 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
3 ~) ?$ W- ~: `5 W; C4 q6 nwhile 1,
& Z/ |3 z, S# ]NumberInClusters = 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
# s$ r! F' t$ W3 b5 N+ T# s
% 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 x: @1 Q' [6 C/ q: ~# O4 J[MinDist,Pos] = min(AllDistance);
NumberInClusters(Pos) = NumberInClusters(Pos) + 1;
IndexInClusters(Pos,NumberInClusters(Pos)) = i;
end
9 B  g" q  X0 G. Q0 l' J% 保存旧的聚类中心
OldCenters = Centers;

for i = 1:ClusterNum
3 l) x8 v1 R* l  V6 hIndex = 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
( A, d2 F+ D: K2 p$ |1 V9 e5 ^, O- H. [) MEqualNum = sum(sum(Centers==OldCenters));
if EqualNum == InDim*ClusterNum,
break,
5 f/ q- ^+ L# {end
end
6 p9 ]; F( r, B; E, j( g/ \* K7 ?! c
% 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
5 E% V" M& a9 Zfor i = 1:ClusterNum % 将对角线上的0 替换为较大的值
0 R4 [0 F, `) e- ^% ~4 CAllDistances(i,i) = Maximum+1;
end
Spreads = Overlap*min(AllDistances)'; % 以隐节点间的最小距离作为扩展常数
8 B% L) s/ ^. Y, J2 O. u
  q  e4 R) }; R+ U9 K" ~" I: v+ x/ c/ L% 计算各隐节点的输出权值
( W! x) N2 o- x( I: ?Distance = dist(Centers',SamIn); % 计算各样本输入离各数据中心的距离
6 Z6 P6 |0 D2 ~, x, eSpreadsMat = repmat(Spreads,1,SamNum);
. ]% r9 I4 \- c2 jHiddenUnitOut = radbas(Distance./SpreadsMat); % 计算隐节点输出阵
0 ]1 {1 z# k! I$ S& nHiddenUnitOutEx = [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
B2 = W2Ex(:,ClusterNum+1); % 偏移
: c' W. W, m$ A' Q$ y4 i
% 测试
TestDistance = dist(Centers',TestSamIn);
TestSpreadsMat = repmat(Spreads,1,TestSamNum);
  I& g# B' q- U2 }TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
: b7 l! r5 R  j" G5 sTestNNOut = W2*TestHiddenUnitOut+B2;
plot(TestSamIn,TestNNOut,'b-')
0 ~8 [$ k- O* E. `) Z/ O( z4 j$ U; f$ ]W2

; I9 p* l' H( M) @1 }) Y


- K# i0 z" G. |" z6 G! l

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。