径向基（RBF）神经网络

浅谈BP与RBF

BP网络在训练过程中需要对网络的所有权值和阈值进行修正,把它称之为全局逼近神经网络.全局逼近神经网络学习速度很慢,所以在一些实时性较强的场合(如实时控制),其应用受到限制.

RBF网络是一种局部逼近网络,对于每个训练祥本,它只需要对少量的权值和阈值进行修正,因此训练速度快。

matlab实现代码

newrb()---新建一个径向基神经网络
newrbe()---新建一个严格的径向基神经网络
newgrnn()---新建一个广义回归径向基神经网络
newpnn()---新建一个概率径向基神经网络
net=newrb(P,T,g,s)
P:输入向量 T：输出向量 g：均方差精度（拟合能力） s：径向基层的散布常数（泛化能力）
sim(net,P)---仿真

函数逼近示例

$$y(x)=1.1(1-x+2x^2)exp(-\frac{x^2}{2}).$$

x=-4:0.08:4;
t=1.1*(1-x+2*x.^2).*exp(-x.^2/2)+0.1*rand(1,101);
plot(x,t,'+');
hold on

net=newrb(x,t,0.001,1,1000000);
Y=net(x)
figure(1)
plot(x,Y,'g');
title('RBF神经网络函数逼近');
xlabel('input');
ylabel('output');
figure(2)
e=Y-t;
plot(x,e,'b-');

$$f(x)=\{\begin{array}{rlr}x& =& (t+0.5\pi )sin(t+0.5\pi )\\ y& =& (t+0.5\pi )cos(t+0.5\pi )\\ z& =& 1.5t\\ & & 0\le t\le 2\pi \end{array}$$

t=0:0.1:10*pi;
x=(t+0.5*pi).*sin(t+0.5*pi); 
y=(t+0.5*pi).*cos(t+0.5*pi); 
z=1.5*t;

net=newrb([x;y],z,0.001,2); %平方和误差小于0.001
zf=net([x;y]);%神经网络输出值
plot3(x,y,zf,'r'); %仿真的函数图像
hold on
plot3(x,y,z,'+'); %待逼近的函数图像
title('RBF神经网络函数逼近');
xlabel('x');
ylabel('y');
zlabel('z');
grid on
mse(zf,z) %平方和误差