神经网络实验六.ppt

神经网络实验课件 六、径向基函数网络的构建 一、径向基函数网络模型结构 １、径向基函数网络的神经元模型 径向基函数网络具有R个输入向量，网络输出可表示为输入向量和权值向量之间的距离乘以阀值。 1、应用函数newrbe 调用格式： net = newrbe(P,T,SPREAD) 功能描述： 生成一个径向基神经网络 参数说明： P—Q个R维输入向量组成的R×Q矩阵. T—Q个S维期望输出向量组成的S×Q矩阵. SPREAD—径向基层的散布常数，缺省值为1. 2、应用函数newrb 调用格式： [net,tr] = newrb(P,T,GOAL,SPREAD,MN) 功能描述：生成一个径向基神经网络 参数说明： P—Q个R维输入向量组成的R×Q矩阵. T—Q个S维期望输出向量组成的S×Q矩阵. GOAL—训练精度，缺省值为0. SPREAD—径向基层的散布常数，缺省值为1. MN—最大神经元数目，缺省值为Q. 注1： SPREAD的设置是构建一个径向基网络的关键，SPREAD只有足够大才能覆盖所有的输入区间，但是如果SPREAD太大，则每个神经元的响应区域又会交叉太多，反而带来精度问题。一般情况下，散布常数SPREAD的选取取决于输入向量之间的距离，要求大于最小距离，而小于最大距离。 注2： newrbe与newrb所生成的径向基网络的区别在于：在用径向基网络逼近函数时，如果应用newrbe函数设计网络，则径向基神经元的数目与输入向量的个数相等，在输入向量较多的情况下，需要很多神经元，这给网络设计带来一定的难度。如果应用函数newrb设计网络，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，都能最程度地降低误差，函数可根据精度自动增加神经元数目，直到要求的精度为止。 例1：用径向基神经网络进行函数逼近 P=-1:0.1:1; %样本的输入变量值 T=[-0.9602 -0.5770 -0.0729 0.3771 0.6405… 0.6600 0.4609 0.1336 -0.2013 -0.4344… -0.5000 -0.3930 -0.1647 0.0988 0.3072… 0.3960 0.3449 0.1816 -0.0312 -0.2189… -0.3201]; %样本的输出变量值 %在坐标系绘出样本点 plot(P,T,+); title(训练样本); xlabel(输入向量P); ylabel(输出向量T); %绘制隐层神经元径向基传递函数曲线 p=-3:0.1:3; a=radbas(p); plot(p,a); title(径向基函数) xlabel(输入p); ylabel(输出a); %网络测试 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}); * * 输入层 径向基神经元 一、径向基函数网络模型结构 ３、径向基函数神经网络结构 输入层 径向基神层 线性层 　　　 一、径向基函数网络模型结构 4、径向基网络的工作原理 当输入向量加到网络输入端时，径向基层的每神经元都会输出一个值，代表输入向量与神经元权值向量之间的接近程度。 如果输入向量与神经元权值向量相差很多，则径向基层的输出接近于0，经过第二层的线性神经元，输出也接近于0； 如果输入向量与神经元权值向量很接近，则径向基层的输出接近于1，经过第二层的线性神经元，输出值就更靠近第二层的权值。 一、径向基函数网络模型结构 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 二、径向基神经网络的设计 %设计网络 eg=0.02; sc=1; net=newrb(P,T,eg,sc); NEWRB, neurons = 0, SSE = 3.69051 二、径向基神经网络的设计 二、径向基神经网络的设计 *