RBF测试实例

Zedd

RBF测试实例

% % % % % % % % % % % % % % % % % % %
' B' h  H9 R: \; B8 Q% S) l% approximate RBF网络对同意函数进行拟合
* W1 ]* v/ L4 D! A! R" S9 s% % % % % % % % % % % % % % % % % % %
2 v  z# S8 t  m4 r7 P& `) u* {" P%%清空环境变量  
clc  
5 g9 T+ S, j- @+ n% Rclear  
9 K% k4 ~7 m3 J  H- U%%产生训练样本，训练输入，训练输出  
. c7 y! @- r, b# O0 g%ld为样本隶属  
ld=400;  
%产生2*ld的矩阵  
x=rand(2,ld);  
1 [0 _$ _. y- I  u! N' n%将x转换到[-1.5 1.5]之间  
% K& N9 b* B3 \3 `" t, Ex=(x-0.5)*1.5*2;  
%x的第一行为x1，第二行为x2  
4 M5 ]7 G) i% m# s& i1 Tx1=x(1,: );  
x2=x(2,: );  
%计算网络输出F值  
1 }% m7 J. w+ a  @: m2 XF=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);  
5 l( B8 i5 d5 P# b5 ]- u) l* d9 }# a%%建立RBF神经网络  
%采用approximate RBF神经网络，spread为默认值  
net=newrb(x,F);  
" W( Z3 C- d2 j  `6 Q9 I) c+ H%%建立测试样本  
- k0 M7 S  B, l( i: `  B0 H) Ginterval=0.1;  
[i,j]=meshgrid(-1.5:interval:1.5);  
. t3 s% ^# k8 H( yrow=size(i);  
2 F* J  ?; a& {$ [tx1=i(: );  
tx1=tx1';  
- g4 x. g: E) q1 @# O2 \% Utx2=j(: );  
tx2=tx2';  
% W! _4 [3 Q# z# ^3 n3 N1 m* mtx=[tx1;tx2];  
  
%%使用建立的RBF网络进行模拟，得出网络输出  
ty=sim(net,tx);  
  D" U' ?! `* S# ^% V+ f%%使用图像，画出三维图  
%真正的函数图像  
interval=0.1;  
4 z7 p# \  k: f: ^[x1,x2]=meshgrid(-1.5:interval:1.5);  
6 u0 K& h' [0 }  j- FF=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);  
. ?4 U' X7 m5 [7 X% c" t% esubplot(1,3,1);  
mesh(x1,x2,F);  
4 \7 Q$ ^) J6 Y; ?7 C( Jzlim([0,60]);  
, O, H7 Z* H. _8 I( m& A! w0 ttitle('真正的函数图像');  
% b: b9 U  g$ M4 H" S%网络得出的函数图像  
v=reshape(ty,row);  
% ~6 X1 ^7 {5 a" Csubplot(1,3,2);  
5 B% ~! {0 s& \; T. amesh(i,j,v);  
- A) t1 p3 H, {1 ~; qzlim([0,60]);  
2 G/ @8 S. K& L# O9 `+ ?0 e2 n( R; [! @title('RBF神经网络结果');  
%误差图像  
8 m) ~( o9 J8 R/ h4 Bsubplot(1,3,3);  
  Y- K, G8 W) [; u) |+ \: M  W/ |. hmesh(x1,x2,F-v);  
zlim([0,60]);  
2 g) v8 K0 w! O* g- B) g0 b$ Htitle('误差图像');  
* H4 E# j# l* s9 mset(gcf,'position',[300,250,900,400])

wu68aq

看看楼主的代码。