赣江7号pihaiping1007

引用

shang 的 RBF神经网络用于函数拟合与模式识别的Matlab示例程序

RBF神经网络用于函数拟合与模式识别的Matlab示例程序

%文中出现的所有归一化函数，都以被抛弃(obselete)，使用方法也彻底改变了。Matlab7.8提供的归一化函数有fixunknowns, mapminmax, processpca,mapstd四个，具体如何使用及原理查看Matlab帮助

%RBF函数参数调用格式以函数名没有改变，可以正常使用

% RBF 神经网络用于模式分类

% 使用平台 - Matlab6.5

复制内容到剪贴板

代码:

clc

clear

close all

%---------------------------------------------------

% 产生训练样本与测试样本，每一列为一个样本

P1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];

T1 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

P2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];

T2 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

%---------------------------------------------------

% 归一化

[PN1,minp,maxp] = premnmx(P1);

PN2 = tramnmx(P2,minp,maxp);

%---------------------------------------------------

% 训练

switch 2

case 1

% 神经元数是训练样本个数

spread = 1; % 此值越大,覆盖的函数值就大(默认为1)

net = newrbe(PN1,T1,spread);

case 2

% 神经元数逐步增加,最多就是训练样本个数

goal = 1e-4; % 训练误差的平方和(默认为0)

spread = 1; % 此值越大,需要的神经元就越少(默认为1)

MN = size(PN1,2); % 最大神经元数(默认为训练样本个数)

DF = 1; % 显示间隔(默认为25)

net = newrb(PN1,T1,goal,spread,MN,DF);

case 3

spread = 1; % 此值越大,需要的神经元就越少(默认为1)

net = newgrnn(PN1,T1,spread);

end

%---------------------------------------------------

% 测试

Y1 = sim(net,PN1); % 训练样本实际输出

Y2 = sim(net,PN2); % 测试样本实际输出

Y1 = full(compet(Y1)); % 竞争输出

Y2 = full(compet(Y2));

%---------------------------------------------------

% 结果统计

Result = ~sum(abs(T1-Y1)) % 正确分类显示为1

Percent1 = sum(Result)/length(Result) % 训练样本正确分类率

Result = ~sum(abs(T2-Y2)) % 正确分类显示为1

Percent2 = sum(Result)/length(Result) % 测试样本正确分类率