神经网络讲义第章.ppt

1．用于曲线拟合的RBF 网络 径向基网络在完成函数逼近任务时花费的时间最短,所用的神经元个数也较少。 例7.1 为了比较径向基网络与BP网络的结果,仍以例6.3进行曲线拟合为例,重新列出系统输出y与输入x 的部分对应关系,如表7.1所示。设计一RBF神经网络,完成 的曲线拟合。 表7.1 函数 的部分对应关系 x -1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 y -0.832 -0.423 -0.024 0.344 1.282 3.456 4.02 3.232 2.102 1.504 x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 y 0.248 1.242 2.344 3.262 2.052 1.684 1.022 2.224 3.022 1.984 为了比较径向基网络和BP网络设计所花费的时间,在创建和训练BP网络的MATLAB 程序中加人两条语句,进行计时,重写程序如下。 例5 . 3 创建和训练BP 网络的MATLAB 程序 %Example53Tr clear all ; p=-1:0.1:0.9; t=[-0.832 -0.423 -0.024 0.344 1.282 3.456 4.02 3.232 2.102 1.504 0.248 1.242 2.344 3.262 2.052 1.684 1.022 2.224 3.022 1.984]; tl = clock ;%计时开始net = newff([-1 1],[15 1],{ tansig purelin},traingdx,learngdm) ; * 第七章 径向基网络 BP网络在训练过程中需要对网络的所有权值和阈值进行修正,把它称之为全局逼近神经网络。全局逼近神经网络学习速度很慢,所以在一些实时性较强的场合(如实时控制),其应用受到限制。径向基网络是一种局部逼近网络,对于每个训练祥本,它只需要对少量的权值和阈值进行修正,因此训练速度快。 7.1 径向基网络模型 径向基函数(radial basis function , RBF)方法是在高维空间进行插值的一种技术。Bromhead和Love在1998年率先使用该技术,提出了神经网络学习的一种新手段。 径向基神经元模型 径向基神经元模型如图7.1 所示。 输入 神经元 图7.1径向基神经元模型 其输出表达式为 式中：radbas 为径向基函数,一般为高斯函数： 其光滑性好,径向对称,形式简单,有 称之为欧几里得距离。 径向基函数的图形和符号如图7.2 所示。 图7.2 径向基传输函数的传输特性和符号 2. 径向基神经网络模型 径向基神经网络同样是一种前馈反向传播网络,它有两个网络层：隐层为径向基层;输出为一线性层,如图7.3 所示。 输入向量 径向基层 线性层 图7.3 径向基函数网络模型 网络的输出为  式中： 表示取矩阵向量主对角线上的元素组成的列向量; “ ”和“ ”分别表示数量乘方或数量乘积(即矩阵中各对应元素的乘方或乘积)。 下面讨论径向基网络的工作特性。从图7.2 所示的径向基传输函数可以看出,只有在距离为0时,其输出为1;而在距离为0.833 时,输出仅为0.5。假如给定一个输入向量,径向基神经元将根据各输入向量与每个神经元权值的距离输出一个值,那些与神经元权值相差很远(距离大)的输入向量产生的输出值趋于0,这些很小的输出值对线性神经元输出的影响可