RBF神经网络-算法程序.pdf

RBF 神经网络 1、算法特点：  只有一个隐层，且隐层神经元与输出层神经元的模型不同。  隐层节点参数确定后，输出权值可通过解线性方程组得到。  局部逼近网络（MLP 是全局逼近网络) ，这意味着逼近一个输入输出映射时， 在相同逼近精度要求下，RBF 所需的时间要比MLP 少。  具有唯一最佳逼近的特性，无局部极小。  合适的隐层节点数、节点中心和宽度不易确定。 2 、步骤： ①数据预处理 采用mapminmax 函数对数据进行归一化，归一化方式为[-1,1]规范化映射。 主要方程式为 y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin ②构建网络 通过newrb 函数构建RBF 神经网络。网络一共三层，建立一个严格的径向 基神经网络,严格是指径向基神经网络的神经元的个数与输入值的个数相等。 输入层 隐含层 ······ 输出层 设置径向基函数目标误差为 1e-6，径向基函数扩展速度为 5000，对数据进 行训练。 ③检验 进行仿真测试，预测出一组数据并与训练测试数据做对比检验。 ④预测 同样采用步骤①②对下一个数据进行预测。 3 、程序： 训练样本数据 训练测试数据 0 0.0001 0.0002 0.0006 0.0009 0.001 0.0001 0.0002 0.0006 0.0009 0.001 0.0006 0.0002 0.0006 0.0009 0.001 0.0006 -0.0005 0.0006 0.0009 0.001 0.0006 -0.0005 -0.002 0.0009 0.001 0.0006 -0.0005 -0.002 -0.0035 0.001 0.0006 -0.0005 -0.002 -0.0035 -0.0044 0.0006 -0.0005 -0.002 -0.0035 -0.0044 -0.0043 -0.0005 -0.002 -0.0035 -0.0044 -0.0043 -0.0031 -0.002 -0.0035 -0.0044 -0.0043 -0.0031 -0.0012 -0.0035 -0.0044 -0.0043 -0.0031 -0.0012 0.0013 -0.0044 -0.0043 -0.0031 -0.0012 0.0013 0.004 -0.0043 -0.0031 -0.0012 0.0013 0.004 0.007 -0.0031 -0.0012 0.0013 0.004