Matlab-RBF网络（径向基函数网络）-rbe&pnn&grnn

cool0805

已于 2023-03-09 11:30:15 修改

阅读量1.2k

点赞数 5

文章标签： matlab 神经网络 Powered by 金山文档

于 2023-03-02 10:31:12 首次发布

本文链接：https://blog.csdn.net/cool0805/article/details/129290901

版权

一、介绍

径向基函数网络（RBF网络）在matlab中有两种： rb和rbe

二者区别可以参考 (2条消息) RBF神经网络通用函数 newrb, newrbe_LY-林雨的博客-CSDN博客

优点：结构简单、收敛速度快、能逼近任意非线性函数。

径向基函数网络由三层构成：

输入层：节点（神经元）个数等于输入的维数；

隐含层：节点（神经元）个数待定；

输出层：节点（神经元）个数等于输出的维数。

径向基函数能使线性不可分问题变得线性可分。

径向基函数网络还有两种变形，即概率神经网络（pnn）和广义回归神经网络（grnn）。

二、Matlab

在Matlab中，RBF网络不需要训练，创建了就可以使用。

Matlab里的径向基函数网络有 netrb（近似的）（对应于广义网络）和 netrbe（精确的）（对应于正则化网络）两种。

对于广义网络和正则化网络先不用太纠结它是什么东西，二者只是略有区别。

三、对rbe、pnn和grnn 通过网络图与函数代码进行理解。

rbe 在 Matlab中的网络框架图1与函数：

网络框架图1

function [w1,b1,w2,b2] = designrbe(p,t,spread)  

  [r,q] = size(p); 
  % r是输入的维数（隐藏层神经元个数），q是样本数，即每一列是一个样本
  [s2,q] = size(t);                             
  % s2是输出的维数（图1中的S2）（输出层神经元个数），q是样本数
  w1 = p';                                      
  % 将p取转置，则变为q×r的矩阵，与网络框架图中IW的S1×R对应
  % 则每一行是一个样本，是因为要使用”dist“函数，解释在下面

  b1 = ones(q,1)*sqrt(-log(.5))/spread;
  %spread很重要，但是这里为什么这样我还不太清楚

  a1 = radbas(dist(w1,p).*(b1*ones(1,q)));

  x = t/[a1; ones(1,q)];                        
  % x就是图1的LW权重矩阵 （包含偏置的权重，偏置值为1）
  w2 = x(:,1:q);
  b2 = x(:,q+1);
  
end

LW矩阵是权重矩阵，其元素个数是 S2XS1, S2是输出个数，如果是1的情况下，LW的列数就是S1，即向量a的元素个数，输出这里选择线性函数作为激活函数。

代码解读

Z=dist(W,P,FP)

dist函数中，要求W的每一行是一个输入向量（样本），P中每一列是一个输入向量（样本）

radbas 径向基函数

pnn 在 Matlab中的网络框架图2与函数：

网络框架图2

function net = create_network(param)

% Data
  p = param.inputs;
  t = param.targets;
  if iscell(p), p = cell2mat(p); end
  if iscell(t), t = cell2mat(t); end

  % Dimensions
  [R,Q] = size(p);
  [S,Q] = size(t);  

  % Architecture
  net = network(1,2,[1;0],[1;0],[0 0;1 0],[0 1]);
  %net = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect,outputConnect) 
  %此示例说明如何创建一个单输入的两层前馈网络。只有第一层有偏置。输入权重从输入 1 连接到层 1。
  %层权重从层 1 连接到层 2。层 2 是网络输出并有一个目标。
  
  % Simulation
  net.inputs{1}.size = R;
  net.inputWeights{1,1}.weightFcn = 'dist';
  net.layers{1}.netInputFcn = 'netprod';
  net.layers{1}.transferFcn = 'radbas';
  net.layers{1}.size = Q;
  net.layers{2}.size = S;  %S就是图上的K，即输入数据的种类数
  net.layers{2}.transferFcn = 'compet';
  net.outputs{2}.exampleOutput = t;

  % Weight and Bias Values
  net.b{1} = zeros(Q,1)+sqrt(-log(.5))/param.spread;
  net.iw{1,1} = p';
  net.lw{2,1} = t;
end

grnn 在 Matlab中的网络框架图3与函数：

网络框架图3

function net = create_network(param)

  % Data
  p = param.inputs;
  t = param.targets;
  if iscell(p), p = cell2mat(p); end
  if iscell(t), t = cell2mat(t); end
  
  % Dimensions
  [R,Q] = size(p);
  [S,Q] = size(t);

  % Architecture
  net = network(1,2,[1;0],[1;0],[0 0;1 0],[0 1]);

  % Simulation
  net.inputs{1}.size = R;
  net.layers{1}.size = Q;
  net.inputWeights{1,1}.weightFcn = 'dist';
  net.layers{1}.netInputFcn = 'netprod';
  net.layers{1}.transferFcn = 'radbasn';
  net.layers{2}.size = S;
  net.layerWeights{2,1}.weightFcn = 'dotprod';

  % Weight and Bias Values
  net.b{1} = zeros(Q,1)+sqrt(-log(.5))/param.spread;
  net.iw{1,1} = p';
  net.lw{2,1} = t;
end