本文按照 案例-分析-代码-原理 四段式进行介绍,为便于有一定理论基础的童鞋进行学习,将原理以链接其他博客的形式给出,有兴趣的童鞋可以跳转进行学习和推敲。
【案例介绍】利用RBF神经网络建立近红外光谱-辛烷值模型
辛烷值是汽油最重要的品质指标,传统的实验室检测方法存在样品用量大,测试周期长和费用高等问题,不适用于生产控制,特别是在线测试。近年发展起来的近红外光谱分析方法(NIR),作为一种快速分析方法,已广泛应用于农业、制药、生物化工、石油产品等领域。其优越性是无损检测、低成本、无污染,能在线分析,更适合于生产和控制的需要。实验采集得到60组汽油样品,利用傅里叶近红外变换光谱仪对其进行扫描,扫描范围900~1700nm,扫描间隔2nm,每个样品的光谱曲线共含401个波长点。样品的近红外光谱曲线如下图所示:
同时,利用传统实验室检测方法测定其辛烷值含量。现要求利用BP神经网络建立汽油样品近红外光谱及其辛烷值之间的数学模型,并对模型的性能进行评价。
其中,评价分为两部分,分别为相对误差E和决定系数
,分别定义如下:
其中,
为第
个样品的预测值;
为第
个样品的真实值;
为样品的数目。
注:相对误差越小,表明模型的性能越好;决定系数范围在[0,1]内,愈接近于1,表明模型的性能愈好;反之,愈趋近于0,表明模型的性能愈差。
【代码分析】Matlab RBF神经网络建立及测试代码
%% I. 清空环境变量
clear all
clc%% II. 训练集/测试集产生
%%
% 1. 导入数据
load spectra_data.mat%%
% 2. 随机产生训练集和测试集
temp = randperm(size(NIR,1));
% 训练集——50个样本
P_train = NIR(temp(1:50),:)';
T_train = octane(temp(1:50),:)';
% 测试集——10个样本
P_test = NIR(temp(51:end),:)';
T_test = octane(temp(51:end),:)';
N = size(P_test,2);%% III. RBF神经网络创建及仿真测试
%%
% 1. 创建网络
net = newrbe(P_train,T_train,0.3);%%
% 2. 仿真测试
T_sim = sim(net,P_test);%% IV. 性能评价
%%
% 1. 相对误差error
error = abs(T_sim - T_test)./T_test;%%
% 2. 决定系数R^2
R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));%%
% 3. 结果对比
result = [T_test' T_sim' error']%% V. 绘图
figure
plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('辛烷值')
string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
title(string)
测试集预测结果对比如下:
总结:
- 主要RBF算法在newrbe.m文件中,可通过open newrbe指令打开文件进行查看
- newrbe函数中有三个输入参数,分别为训练数据输入P_train,训练数据标签T_train以及分散量spread
- 关于参数spread,s愈大b愈小,输入距离径向基函数中心越近,则经过径向基函数后取值更加趋近于1;反之,趋近于0(主要控制
阵分布)。关于具体原理,可结合第四部分的原理进行分析推理。
【附件下载】 含数据集与Matlab源码等文件下载(百度云)
1、通过百度云进行下载:
链接:https://pan.baidu.com/s/1i78xX9C4SSlUCB36q3BOEg
提取码:8ams
2、使用微信扫描进行文件下载:
【原理链接】 RBF神经网络原理介绍