6.径向基函数网络教程讲解.pptVIP

* * 径向基函数网络 1.径向基神经网络的两种结构 RBF网络对非线性网络具有一致逼近的性能，在函数拟合和模式分类有广泛应用。 由三层构成的前向网络 。 第一层为输入层，节点个数等于输入的维数； 第二层为隐含层，节点个数视问题的复杂度而定； 第三层为输出层，节点个数等于输出数据的维数。 隐含层是非线性的，采用径向基(高斯)函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层则是线性的。 1.径向基神经网络的两种结构 正则化网络的一个特点就是：隐含节点的个数等于输入训练样本的个数。因此如果训练样本的个数N过大，网络的计算量将是惊人的，从而导致过低的效率甚至根本不可实现。 解决的方案是用Galerkin方法来减少隐含层神经单元的个数，此时求得的解是较低维数空间上的次优解 。这就是广义网络 在实际应用中，一般都采用广义径向基函数网络。 4.概率神经网络 PNN网络的优点 训练容易，收敛速度快，从而非常适用于实时处理。 可以实现任意的非线性逼近，用PNN网络所形成的判决曲面与贝叶斯最优准则下的曲面非常接近。 只要有充足的样本数据，概率神经网络都能收敛到贝叶斯分类器，没有BP网络的局部极小值问题 扩充性能好。网络的学习过程简单，增加或减少类别模式时不需要重新进行长时间的训练学习 7.径向基网络应用实例 RBF网络曲线拟合 GRNN网络曲线拟合 PNN网络用于坐标点分类 7.径向基网络应用实例 RBF网络曲线拟合 : 输入18个样本点，将隐含节点个数设为18，其中心就是输入的x值。期望输出为相对应的y值。 这样，网络中有一个输入节点，一个输出节点，18个隐含节点。 采用工具箱函数： curve_filt_newrb_build.m curve_filt_newrb_sim.m 7.径向基网络应用实例 GRNN网络曲线拟合 在拟合质量相当的情况下，比较RBF网络与GRNN网络的速度 ：RBF网络消耗的时间远大于GRNN网络 x=-9:8; % 样本的x值 y=[129,-32,-118,-138,-125,-97,-55,-23,-4,... % y值 2,1,-31,-72,-121,-142,-174,-155,-77]; plot(x,y,o) P=x; T=y; tic;net = newrb(P, T, 0, 2);toc xx=-9:.2:8; yy = sim(net, xx); % 径向基网络仿真 figure(1); hold on; plot(xx,yy) tic;net2=newgrnn(P,T,.5);toc; % 设计广义回归网络 yy2 = sim(net, xx); % 广义回归网络仿真 plot(xx,yy2,.-r); 7.径向基网络应用实例 自己实现的广义回归网络： function y = grnn_net(p,t,x,spread) 测试： grnn_test.m 效果不错 *