绝对经典RBF神经网络课件.pptVIP

绝对经典RBF神经网络;1. Gauss（高斯）函数：;全局逼近和局部逼近;RBF网络的工作原理;RBF神经网络两种模型;两种模型的比较;函数逼近问题（内插值）;1.网络隐层使用Ｑ个隐节点。 2.把所有Ｑ个样本输入分别作为Ｑ个隐节点的中心。 3.各基函数取相同的扩展常数。 4.确定权值可解线性方程组： 设第j 个隐节点在第i个样本的输出为： 可矩阵表示： ,若R可逆，则解为 根据Micchelli定理可得，如果隐节点激活函数采用 径向基函数，且 各不相同，则线性方程组 有唯一解。 ;举例：RBF网络实现函数逼近 ;2.网络设计：设计一个径向基函数网络，网络有两层，隐含层为径向基神经元，输出层为线性神经元。 p=-3:0.1:3;a=radbas(p);figure;plot(p,a)title(径向基传递函数)xlabel(输入p)ylabel(输出a) grid on % 每一层神经元的权值和阈值都与径向基函数的位置和宽度有关系，输出层的线性神经元将这些径向基函数的权值相加。如果隐含层神经元的数目足够，每一层的权值和阈值正确，那么径向基函数网络就完全能够精确的逼近任意函数。 a2=radbas(p-1.5);a3=radbas(p+2);a4=a+a2*1+a3*0.5;figure;plot(p,a,b-,p,a2,b-,p,a3,b-,p,a4,m--);title(径向基传递函数之和)xlabel(输入p)ylabel(输出a) grid on % 应用newb()函数可以快速构建一个径向基神经网络，并且网络自动根据输入向量和期望值进行调整，从而进行函数逼近，预先设定均方差精度为eg以及散布常数sc。eg=0.02;sc=1;net=newrb(P,T,eg,sc);;3.网络测试：将网络输出和期望值随输入向量变化的曲线绘制在一张图上，就可以看出网络设计是否能够做到函数逼近。 figure;plot(P,T,+);xlabel(输入);X=-1:0.01:1;Y=sim(net,X);hold on;plot(X,Y);hold off;legend(目标,输出) grid on ;分类问题;;X1;RBF学习算法;两种方法中心的选取 ;一. 自组织中心选取法; 在聚类确定数据中心的位置之前，需要先估计中心的个数 (从而确定了隐节点数)，一般需要通过试验来决定。由??聚类得到的数据中心不是样本数据 本身，因此用 表示第n次迭代时的中心。应用K-means聚类算法确定数据中心的过程如下。 （1）初始化。选择 个互不相同的向量作为初始聚类中心 （2）计算输入空间各样本点与聚类中心点的欧式距离;;;2.确定扩展常数;3.学习权值;二.有监督选取中心算法;1.输出层权值;3.隐含层RBF的扩展;三.随机选取中心法;