給定輸入向量$p=?1:0.1:1$和目標向量$\left[\begin{array}{cccccccccccccccccccc}t=0.0596& 0.6820& 0.0424& 0.0714& 0.5216& 0.0967& 0.8181& 0.8175& 0.7224& 0.1499& 0.6596& 0.5186& 0.9730& 0.6490& 0.8003& 0.4538& 0.4324& 0.8253& 0.0835& 0.1332\end{array}\right]$，設計一個RBF神經網絡，完成$y=f(x)$。

% 創建、訓練、存儲RBF神經網絡 clear all; % 清除所有內存變量 clc; % 清屏 p = -1:0.1:0.9; % 輸入向量 t = [0.0596 0.6820 0.0424 0.0714 0.5216 0.0967 0.8181 0.8175...0.7224 0.1499 0.6596 0.5186 0.9730 0.6490 0.8003 0.4538...0.4324 0.8253 0.0835 0.1332]; % 目標向量 net = newrb(p,t,0.01,0.01,20,3); % 設計徑向基網絡 save net61 net % 存儲訓練后的網絡a %% % RBF神經網絡仿真 load net61 net; % 加載訓練后的網絡 i = -1:0.05:0.9; % 測試樣本 r = sim(net,i); % 仿真結果 figure('NumberTitle','off','Name','RBF神經網絡案例一'); %修改窗口標題 hold on; plot(p,t,'k'); % 繪制訓練樣本圖形 plot(i,r,'o'); % 繪制函數擬合曲線 hold off;

• 運行結果為：
  NEWRB, neurons = 0, MSE = 0.0963896
  NEWRB, neurons = 3, MSE = 0.0678653
  NEWRB, neurons = 6, MSE = 0.0420571
  NEWRB, neurons = 9, MSE = 0.0201837
  NEWRB, neurons = 12, MSE = 0.00555406

網絡訓練的誤差性能曲線和曲線擬合仿真結果如圖所示：

誤差性能曲線

曲線擬合仿真結果

newrb()函數

newrb用于設計徑向基網絡

net = newrb(P,T,goal,spread,MN,DF)[net,tr] = newrb(P,T,goal,spread,MN,DF)

• P：輸入向量組成的R×Q維矩陣
• T：目標分類向量組成的S×Q維矩陣
• goal：均方誤差，默認值為0
• spread：徑向基函數的擴展速度，默認值為1
• MN：神經元的最大數目，默認是Q
• DF：兩次顯示之間所添加的神經元數目，默認值為25
• net：返回值，一個徑向基網絡
• tr：返回值，訓練紀錄

newrb()函數設計的徑向基網絡net可用于函數逼近。

• 徑向基函數的擴展速度spread越大，函數的擬合就越平滑。但是，過大的spread意味著需要非常多的神經元以適應函數的快速變化。
• 如果spread設定過小，則意味著需要許多神經元來適應函數的緩慢變化，這樣一來，設計的網絡性能就不會很好。

總結

以上是生活随笔為你收集整理的RBF神经网络——案例一的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。