RBF神经网络的构建与使用.docVIP

RBF神经网络的构建与使用 一、 函数逼近： 实验内容： 选取rf = sin(2;zx)sin(2呀)为测试函数，其中xe[0，l], ye[0，l]。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： k=0. 05随机数据的迭取精度 m=l. 0/k A矩阵的行或列的数据个教 X=[k:k: 1]: Y=[k:k:l]: 9＜输入矩阵2*400 p=zeros(2? nt*m): for i=l:m, for j=l:iib p(l, (i-l)*m+j)=X(i): p(2, (i-1)*m+j)=Y(j): end end ?输出矩阵1*400 Zl=zeros(l?nt*m): for for 3=1:111^ Zl (1, (i-1)*m+j)=sin(2*pi*X (i))*sin(2*pi*Y(j)): end end eg=0.02:X均方差精度 SC=1;%散布常教 构建一个径向基网络 net=nevrb p, 11, eg, sc): Z2=sim(net, p) :%仿真 X将Zl和Z2转換成HI (20*20), ZZ2(20?20) ZZl=zeros(in?m): ZZ2=zeros(m, m): for i=l for j=l:m, ZZl(i, j)=Zl(l, (i-l)*m+j): ZZ2(i, j)=Z2(b (i-l)*m+j): end L end ?期望输出的曲面图 subplot(1,2, 1) surf (X,Y,ZZ1〉 title (期望输出3: X实际输出的曲面图 subplot (1, 2, 2) surf (X,Y, ZZ2) title C实际输出3: 用MATLAB构建并使用KBF神经网络，Matlab屮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祌经网洛，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，我们得到期望输山和实际输岀的曲面图（图1）,经过比较，原曲囬图和非线 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 下而对散布常数、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=l （图 2） 图2 sc=O. 01 （图 3） 图3 sc=100 （阁 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，会造成网络设计中神经元数目过少或过多，在函数逼近中就会造成过适性和不适性。 一般情况下，散步常数的选择取决于输入向量之间的距离，要求是大于最小距离，小于最大 距离。 均方差精度的变化： eg=0. 02 （图 5） 图5 eg=O. 001 （图 6） 图6 比较图5和图6可以发现，均方差精度越小，函数逼近的效果越好。因为rwwrbO函数 每一次循环只产生一个神经元，而每增加一个径向基神经元，都能最大程度的降低误差，如 果未达到精度要求则继续增加神经元，满足精度要求后则网络设计成功。 RBF神经网络与BP神经网络进行比较 这里选择的精度均为0. 02 BP神经网络（图7） file ￡d!t View Insert 工ools C^sktop window Help□ a d \ -、A ? W，G □ 3 - file ￡d!t View Insert 工ools C^sktop window Help □ a d \ -、A ? W，G □ 3 - ^3 朗望输出 实际瑜出 Figure 1 0.5 0.5 0 0 0.5 05 0 0 图7 PNN网络（图8） 图8 比较图7和图8,可以发现径向基网络的函数逼近效果更好。BPM络用于函数逼近时，权值的 调节采用的是负梯度下降法。这个调W权值的方法有局限性，即收敛慢和局部极小等。运行吋，径向 基网络的收敛速度远远比较BP祌经M络快。 所以，径向基函数网络（RBF）在逼近能力、分类能力和学习速度等方而均优于BP网络。 分类 实验内容：进行Tris数据分类实验，通过实验选择具有最佳性能的网络结构 和训练参数，并与最近邻分类器和BP网络进行性能对比。 实验过程：这里选择Mat lab屮提供了径