智能信息处理大作业，.docVIP

一．实验内容和目的 1）实验内容：利用RBF网络拟合非线性函数T = sin(5*X).^2+X.^2+cos(X)+exp(X); RBF 神经网络的典型结构如图1 所示, 不失一般性,假设输出层只有一个节点,这种结构很容易扩展到多输出节点的情形。输入层到隐层为权值1 的固定连接。隐含层由一组径向基函数构成,与每个隐含层节点相关的参数向量为ci (即中心) 和σi (即宽度) 。一般隐含层各节点都采用相同的径向基函数,径向基函数有多种形式,通常取高斯函数。 网络输入与输出之间可认为是一种映射关系: f ( x) : Rn→ R 2）实验目的 通过上机实验，进一步了解RBF网络，了解RBF网络的训练算法和不同参数对于RBF网络性能的影响。 3）实验平台 实验环境：MATLAB 说明：本次实验的代码为自己编写，未使用Matlab提供的sim函数和神经网络工具箱，但借鉴了网上的训练算法资料，同时参考部分代码。 二．训练算法：Chiu提出的减聚类算法是一种相对简单而又有效的聚类方法 考虑n 维空间的p 个数据点( x1 , x2 , ?, xp) ,假定数据已归一化到一个单位超立体中, 首先给出数据点xi 处的密度指标定义 正数γa 定义了该点的一个邻域,半径以外的数据点对该点的密度指标贡献甚微。显然,如果一个数据点具有高密度值,则该数据点一定有多个邻近的数据点。在计算每个数据点密度指标后,选择具有最高密度指标的数据点为第一个聚类中心,令xc1 为选中的点, Dc1 为其密度指标。那么每个数据点xi 的密度指标可用修正公式 修正了每个数据点的密度指标后,选定下一个聚类中xc2,再次修正数据点的所有密度指标。该过程不断重复,直到如下聚类终止判据成立 评价一个聚类的合理程度标准应该是:经过聚类划分形成的同一聚类中输入学习样本相距越近,不同聚类中心相距越远,则聚类程度越好。具体聚类学习步骤如下： 步骤1 　 按式(2) 计算每个数据点的密度指标,并将Di保存在集合A ( c) 中,供下次迭代使用;选择具有最高密度指标Dc1 的数据点xc1 为第一个聚类中心。记m = 1 。 步骤2 　 确定第m 个聚类中心。利用式(3) 的更一般化形式 修正每个数据点的密度指标。寻找最高密度指标Dmax 。 步骤3 　 将Dmax 代入终止判据式(4) ,判断如果成立,则拒绝接受该点为聚类中心,到步骤4 ;否则, 接受具有最高密度指标的数据点xcm为第m 个聚类中心,并将Di 保存到集合A ( c) 中,且令Dcm= Dmax ; m = m + 1 ,返回步骤2。 步骤4 　 聚类结束。显然共确定m - 1 个聚类中心xc1,xc2 ,、、、、、，xcm- 1,记c = m - 1 。 确定了聚类中心之后,对xci的部分最邻近点取平均距离,就可以确定宽度参数σi , 也可以定义如下输入学习样本的集合 三．实现代码 clear;clc; X =[0:0.01:1]; %样本点 N = length(X); r=0.1; T = sin(5*X).^2+X.^2+cos(X)+exp(X); %拟合曲线方程 %计算中心矢量及核函数个数 D=zeros(1,N); for n=1:N for m=1:N D(1,n)=D(1,n)+exp(-(X(n)-X(m)).^2./(1/2).^2); end end [dmax,I1]=max(D); dmaxn=dmax; c1=X(I1); centernum=1; center=zeros(1,N); center(1)=c1; cersca=zeros(1,N); k=1; while kr for n=1:N D(n)=D(n)-dmaxn*exp(-(X(n)-c1).^2./(0.3/2).^2); end [dmaxn,In]=max(D); k=dmaxn/dmax; c1=X(In); centernum=centernum+1; if centernum N; centernum=centernum-1; k=0; end center(centernum)=c1; cersca(centernum)=dmaxn; end Nr=centernum; %中心矢量个数 c=center(1,1:centernum); %中心矢量 %计算宽度参数 deta = zeros(1,Nr