RBF神经网络构建与使用.docVIP

RBF神经网络的构建与使用 函数逼近： 实验内容： 选取为测试函数，其中，。构造独立的训练样本集和检验样本集，实验在不同的网络规模、样本集大小、学习速率等条件下，网络的学习能力、推广能力和性能上的差异，并与BP网络进行对比。 实验过程： 具体程序： 用MATLAB构建并使用RBF神经网络, Matlab中提供了四个径向基函数相关的函数，他们分别是：newrbe，newrb，newgrnn，newpnn。它们都是创建两层的神经网络，第一层都是径向基层，第二层是线性层或者竞争层。主要的区别是它们权值、阀值就算函数不同或者是否有阀值。这里我们用newrb创建RBF神经网络进行函数逼近，用newpnn创建PNN网络对数据集进行分类。 实验结果及分析： 运行后，我们得到期望输出和实际输出的曲面图（图1），经过比较，原曲面图和非线性函数的曲面图很接近，这说明，RBF网络对非线性函数的逼近效果相当好。 图1 下面对散布常数、均方差精度等条件进行修改并观察结果，分析这些因素对网络的学习能力、推广能力和性能上的影响。 散布常数的变化： sc=1（图2） 图2 sc=0.01（图3） 图3 sc=100（图4） 图4 在应用径向基函数网络进行函数逼近时，理论上对于任意输入/输出样本，网络都能做到函数逼近。但是，比较图2、图3、图4，可以看出， 如果径向基神经元的散布常数选择不当，会造成网络设计