MATLAB徑向基神經(jīng)網(wǎng)絡(luò)函數(shù).doc

眾所周知，BP網(wǎng)絡(luò)用于函數(shù)逼近時，權(quán)值的調(diào)節(jié)采用的是負(fù)梯度下降法。這個調(diào)節(jié)權(quán)值的方法有局限性，即收斂慢和局部極小等。徑向基函數(shù)網(wǎng)絡(luò)(RBF)在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò)。Matlab中提供了四個徑向基函數(shù)相關(guān)的函數(shù)，它們都是創(chuàng)建兩層的神經(jīng)網(wǎng)絡(luò)，第一層都是徑向基層，第二層是線性層或者競爭層。主要的區(qū)別是它們權(quán)值、閥值就算函數(shù)不同或者是否有閥值。注意：徑向基函數(shù)網(wǎng)絡(luò)不需要訓(xùn)練，在創(chuàng)建的時候就自動訓(xùn)練好了。1.net = newrbe(P,T,spread)newrbe()函數(shù)可以快速設(shè)計(jì)一個徑向基函數(shù)網(wǎng)絡(luò)，且是的設(shè)計(jì)誤差為0。第一層(徑向基層)神經(jīng)元數(shù)目等于輸入向量的個數(shù)，加權(quán)輸入函數(shù)為dist，網(wǎng)絡(luò)輸入函數(shù)為netprod；第二層(線性層)神經(jīng)元數(shù)模有輸出向量T確定，加權(quán)輸入函數(shù)為dotprod，網(wǎng)絡(luò)輸入函數(shù)為netsum。兩層都有閥值。第一層的權(quán)值初值為p，閥值初值為0.8326/spread，目的是使加權(quán)輸入為spread時徑向基層輸出為0.5，閥值的設(shè)置決定了每一個徑向基神經(jīng)元對輸入向量產(chǎn)生響應(yīng)的區(qū)域。2.net,tr = newrb(P,T,goal,spread,MN,DF)該函數(shù)和newrbe一樣，只是可以自動增加網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)模直到均方差滿足精度或者神經(jīng)元數(shù)模達(dá)到最大為止。 P=-1:0.1:1;T=sin(P);spread=1;mse=0.02;net=newrb(P,T,mse,spread);t=sim(net,P);plot(P,T,r*,P,t)3.net = newgrnn(P,T,spread)泛回歸網(wǎng)絡(luò)(generalized regression neural network)廣義回歸網(wǎng)絡(luò)主要用于函數(shù)逼近。它的結(jié)構(gòu)完全與newbre的相同，但是有以下幾點(diǎn)區(qū)別(沒有說明的表示相同)：(1)第二網(wǎng)絡(luò)的權(quán)值初值為T(2)第二層沒有閥值(3)第二層的權(quán)值輸入函數(shù)為normpod，網(wǎng)絡(luò)輸入函數(shù)為netsum P=0:1:20; T=exp(P).*sin(P); net=newgrnn(P,T,0.7); p=0:0.1:20; t=sim(net,p); plot(P,T,*r,p,t)4.net = newpnn(P,T,spread)概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network)該網(wǎng)絡(luò)與前面三個最大的區(qū)別在于，第二層不再是線性層而是競爭層，并且競爭層沒有閥值，其它同newbre，故PNN網(wǎng)絡(luò)主要用于解決分類問題。PNN是按下面的方式進(jìn)行分類的：為網(wǎng)絡(luò)提供一輸入向量后，首先，徑向基層計(jì)算該輸入向量同樣本輸入向量之間的距離|dist|，該層的輸出為一個距離向量；競爭層接受距離向量為輸入，計(jì)算每個模式出現(xiàn)的概率，通過競爭傳遞函數(shù)為概率最大的元素對應(yīng)輸出1，否則為0。注意：由于第二層是競爭層，故輸入/輸出向量必須使用ind2vec/vec2ind函數(shù)進(jìn)行轉(zhuǎn)換，也就是將索引轉(zhuǎn)換為向量或者向量轉(zhuǎn)換為索引。P=1 2; 2 2;1 1P = 1 2 1 2 2 1Tc=1 2 3;T=ind2vec(Tc)T = (1,1) 1 (2,2) 1 (3,3) 1spread=1;net=newpnn(P,T,spread);t=sim(ne