文档仅供查阅和简单了解,深入了解请关注《老饼讲解神经网络》
精确径向基神经网络在matlab中使用newrbe建立。这里小编不得不说,newrbe实际是newrb(径向基)神经网络的特殊情况,newrbe的结构与newrb完全一样,只不过隐节点是固定个数(与样本个数相同),而newrb则会使用OLS算法逐个添加神经元,直到误差小于指定误差为止。即当newrb拥有与样本个数一样的神经元时,此时它就是newrbe。
为什么叫精确径向基神经网络?因为当径向基的隐节点个数与样本个数相同时,它对样本数据的预测误差将是0!
下面翻译matlab的doc文档给大家,以供更全面学习使用(为方便大家理解,本人作了些少改动)。
语法
net = newrbe(P,T,spread)
说明
精确径向基神经网络可以用于拟合函数。newrbe 非常快的设计出一个在样本上0错误的径向基神经网络。
net = newrbe(P,T,spread) 需要2或3个输入参数
入参 | 说明 |
P | R行Q列的输入矩阵,R个输入变量,Q个样本。 |
T | S行Q列的目标输出矩阵,S个输出变量,Q个样本。 |
spread | 径向基函数的扩展系数(默认=1.0) |
并返回一个新的精确径向基神经网络。
spread越大,拟合出来的函数会更加平滑。但太大的spread会引起数值问题。
例子:
对于给定的输入P和目标T,设计一个精确径向基神经网络:
P = [1 2 3];
T = [2.0 4.1 5.9];
net = newrbe(P,T);
网络对于新输入的预测:
P = 1.5;
Y = sim(net,P);
算法:
newrbe 创建一个2层的神经网络。第一层拥有径向基神经元,并用dist来计算它的加权输入和用netprod来计算它的网络输入。第2层是线性神经元,用dotprod计算它的加权输入和netsum计算网络输入,两层都有阈值。
newrbe 将第一层的权重设置为P',第一层的阈值全设为0.8326/spread,使权重输入为+/–spread时,径向基的值为0.5。
第二层的权重 IW{2,1} 和阈值 b{2}这样求得:先拟合第一层的输出A{1},然后对下面的表达式求解:
W{2,1} b{2}] * [A{1}; ones] = T
相关文章