MATLAB之机器学习——RBF神经网络

在写RBF神经网络之前还是说下训练集和测试集的问题！关于训练集的选取，选取要有代表性，就像选出的班干部，要能代替你们的班级风气，班级风貌（好像比方没打好）。这个数量不一定要多（多没有代表性也是枉然），但样本的代表的特征一定要全部包括在内（数量越多，样本特征全有，这样训练的模型也就更具有代表性）

数据集主要是分以下几种：

• 训练集：学习样本数据集，通过匹配一些参数来建立一个分类器。建立一种分类的方式，主要是用来训练模型的。

• 验证集：对学习出来的模型，调整分类器的参数，如在神经网络中选择隐藏单元数。验证集还用来确定网络结构或者控制模型复杂程度的参数。

• 测试集：主要是测试训练好的模型的分辨能力（识别率等）

RBF神经网络概述

RBF（径向基）神经网络具体原理网上有很多，我在这里就推荐我学习的一两篇给大家吧，感觉还不错。这一篇（不过不是matlab语言）和这一篇（写得很详细，用的matlab语言）。

• A radial basis function network is an artificial neural network that uses radial basis functions as activation functions. 

就是这么简单，径向基神经网络就是用的径向基函数作为激励函数

RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，由于距离（||dist||）是径向同性的，因此称为径向基函数。

 

   

上面是径向基函数的线性组合，和BP神经网络（信号前向传播，误差反向传播）的区别也是比较明显的！

BP是通过不断的调整神经元的权值来逼近最小误差的。其方法一般是梯度下降。RBF是一种前馈型的神经网络，也就是说他不是通过不停的调整权值来逼近最小误差的，的激励函数是一般是高斯函数和BP的S型函数不一样，高斯函数是通过对输入与函数中心点的距离来算权重的。

 

详细区别和联系请见这里啊哈！

 

接下来就附上我学习的代码！

%% 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,30);

%%
% 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)

在这里说一下为什么要先用matlab来入门机器学习，本人比较喜欢matlab的编程风格，调试，算法实现也比较方便，先用matlab来入门机器学习，先打下良好基础，对机器学习的深入了解开启良好的航道。

至于这两个实验数据spectra_data.mat,我会在这里进行上传！