matlab神经网络训练结果误差很大,RBF神经网络，训练完成后，预测结果误差太大了，怎么回事呢？？？ - 程序语言 - 小木虫 - 学术 科研 互动社区...

初学RBF，下面的程序训练没问题，但是预测结果就差很远了，希望专家解答，谢谢~~蓝色字体是存在一些疑问，希望有人能回答一下

代码如下：

%RBF法建模

%标准化的建模数据集

clear all

clear

clc

data=[0.26667 0.47647 0.35 0.30741 0.39565 0.9;

0.2        0.75882        0.35 0.27778 0.53479 0.46001;

0.2        0.52353        0.4        0.33704        0.32609        0.48001;

0.66667        0.52353        0.29999        0.21852        0.27391        0.50001;

0.26667        0.75882        0.6        0.33704        0.32609        0.44001;

0.16667        0.57059        0.29999        0.27778        0.3087 0.46001;

0.2        0.71176        0.4        0.36667        0.44783        0.48001;

0.23333        0.71176        0.5        0.30741        0.15218        0.34001;

0.16667        0.42941        0.5        0.24815        0.5        0.48001;

0.13333        0.57059        0.5        0.3963        0.41305        0.48001;

0.16667        0.75882        0.5        0.21852        0.3087 0.52001;

0.16667        0.71176        0.4        0.27778        0.48261        0.44001;

0.23333        0.75882        0.5        0.33704        0.3087 0.48001;

0.13333        0.75882        0.5        0.33704        0.23913        0.42001;

0.16667        0.75882        0.2        0.18889        0.13478        0.1;

0.13333        0.71176        0.35 0.27778 0.32609 0.14;

0.2        0.24119        0.35 0.24815 0.3087        0.88001;

0.70001        0.47647        0.25 0.33704 0.20435 0.38001;

0.4        0.52353        0.2        0.15927        0.23913        0.34001;

0.26667        0.47647        0.35 0.12963 0.16957 0.36;

0.16667        0.6647        0.35 0.27778 0.27391 0.40001;

0.3        0.61764        0.55 0.24815 0.25652 0.62001;

0.13333        0.75882        0.6        0.30741        0.20435        0.62001;

0.3        0.71176        0.55 0.18889 0.20435 0.70001;

0.13333        0.57059        0.5        0.30741        0.29131        0.72001;

0.16667        0.80588        0.5        0.21852        0.23913        0.60001;

0.1        0.61764        0.6        0.21852        0.16957        0.62001;

0.23333        0.61764        0.5        0.3963 0.3087 0.70001;

0.2        0.80588        0.45 0.18889 0.1 0.48001;

0.23333        0.6647 0.45        0.1        0.11739        0.54001;

0.2        0.52353        0.29999        0.30741        0.16957        0.50001;

0.16667        0.71176        0.6        0.24815        0.23913        0.70001;

0.1        0.85293        0.6        0.12963        0.16957        0.52001;

0.3        0.61764        0.5        0.21852        0.13478        0.64001;

0.13333        0.61764        0.4        0.27778        0.23913        0.62001;

0.16667        0.80588        0.6        0.3963 0.23913 0.36;

0.23333        0.75882        0.75 0.30741 0.1 0.66001;

0.13333        0.9        0.6        0.27778        0.20435        0.44001;

0.16667        0.61764        0.29999        0.27778        0.32609        0.60001;

0.16667        0.71176        0.6        0.27778        0.27391        0.52001;

0.1        0.85293        0.45 0.1 0.23913 0.54001;

0.1        0.71176        0.69999        0.27778        0.43044        0.76001;

0.1        0.38236        0.6        0.30741        0.32609        0.64001;

0.1        0.75882        0.6        0.33704        0.25652        0.46001;

0.73333        0.71176        0.25 0.45556 0.5 0.50001;

0.56667        0.61764        0.35 0.33704 0.34348 0.74;

0.13333        0.6647 0.75        0.75186        0.69131        0.56001;

0.83334        0.61764        0.25 0.60371 0.44783 0.38001;

0.9        0.33529        0.2        0.3963 0.3087 0.54001;

0.4        0.61764        0.5        0.3963 0.44783 0.48001;

0.1        0.57059        0.4        0.57408        0.7261 0.88001;

0.16667        0.61764        0.35 0.27778 0.34348 0.38001;

0.1        0.47647        0.35 0.75186 0.83045 0.62001;

0.2        0.47647        0.35 0.81111 0.83045 0.70001;

0.1        0.33529        0.6        0.9        0.9        0.50001;

0.13333        0.24119        0.4        0.81111        0.86522        0.58356;

0.4        0.80588        0.6        0.48519        0.55218        0.42001;

0.5        0.42941        0.45 0.57408 0.37826 0.56001;

0.16667        0.28824        0.25 0.75186 0.79567 0.54001;

0.23333        0.33529        0.4        0.84075        0.65653        0.68001;

0.13333        0.57059        0.6        0.57408        0.67392        0.46001;

0.5        0.57059        0.5        0.51482        0.55218        0.44001;

0.1        0.6647 0.69999 0.57408 0.65653 0.88001;

0.3        0.75882        0.75 0.21852 0.37826 0.70001;

0.23333        0.57059        0.6        0.3963 0.41305 0.48001;

0.59999        0.80588        0.45 0.24815 0.25652 0.42001;

0.70001        0.28824        0.65 0.63334 0.58696 0.60001;

0.4        0.61764        0.4        0.33704        0.34348        0.34001;

0.46666        0.1        0.5        0.63334        0.65653        0.54001;

0.23333        0.33529        0.25 0.84075 0.7261        0.50001;

0.2        0.47647        0.1        0.27778        0.3087 0.42001;

0.36667        0.52353        0.5        0.51482        0.83045        0.62001;

0.4        0.47647        0.45 0.33704 0.32609 0.50001;

0.33333        0.33529        0.4        0.63334        0.7261 0.46001;

0.23333        0.24119        0.55 0.63334 0.7261        0.53778;

0.13333        0.24119        0.45 0.33704 0.3087        0.76001;

0.33333        0.47647        0.45 0.42593 0.41305 0.70001;

0.5        0.1        0.35 0.3963        0.48261        0.70001;

0.46666        0.52353        0.4        0.63334        0.86522        0.52001;

0.26667        0.33529        0.25 0.69259 0.83045 0.68001;

0.26667        0.71176        0.6        0.42593        0.55218        0.34001;

0.4        0.42941        0.5        0.45556        0.43044        0.52001;

0.23333        0.47647        0.6        0.54445        0.62175        0.52001;

0.36667        0.47647        0.4        0.69259        0.69131        0.52001;

0.26667        0.61764        0.29999        0.63334        0.81306        0.44001;

0.1        0.33529        0.65 0.3963        0.23913        0.44001;

0.13333        0.57059        0.6        0.51482        0.55218        0.38001;

0.2        0.33529        0.55 0.45556 0.55218 0.52001;

0.33333        0.24119        0.29999        0.57408        0.83045        0.64001;

0.16667        0.42941        0.5        0.45556        0.76088        0.58001;

0.13333        0.71176        0.65 0.45556 0.37826 0.22001;

0.1        0.71176        0.6        0.63334        0.69131        0.28001;

0.2        0.52353        0.9        0.36667        0.48261        0.36446;

0.16667        0.71176        0.8        0.36667        0.32609        0.42001;

0.13333        0.42941        0.55 0.51482 0.48261 0.58001;

0.4        0.47647        0.5        0.30741        0.37826        0.48001;

0.8        0.52353        0.4        0.30741        0.34348        0.48001;

0.1        0.6647 0.69999 0.51482 0.5 0.38001;

0.16667        0.6647 0.55        0.45556        0.32609        0.34001;

0.23333        0.61764        0.65 0.51482 0.41305 0.2

0.3        0.71176        0.5        0.33704        0.5174 0.70001;

0.13333        0.57059        0.5        0.33704        0.44783        0.60001;

0.3        0.80588        0.69999        0.54445        0.5174 0.50001;

0.13333        0.75882        0.65 0.3963        0.37826        0.28001;

0.16667        0.71176        0.65 0.57408 0.5 0.70001;

0.16667        0.75882        0.6        0.45556        0.62175        0.44001;

0.26667        0.61764        0.65 0.3963        0.34348        0.74;

0.36667        0.57059        0.5        0.30741        0.39565        0.62001;

0.16667        0.57059        0.65 0.3963        0.29131        0.62001;

0.2        0.52353        0.5        0.48519        0.39565        0.44001;

0.4        0.52353        0.45 0.33704 0.34348 0.56001;

0.13333        0.52353        0.5        0.33704        0.29131        0.52001;

0.26667        0.42941        0.5        0.75186        0.65653        0.76001;

0.13333        0.24119        0.5        0.54445        0.58696        0.64001;

0.13333        0.14707        0.1        0.51482        0.5174 0.58001;

0.2        0.24119        0.29999        0.60371        0.62175        0.74;

0.26667        0.42941        0.25 0.57408 0.65653 0.60001;

0.56667        0.19412        0.4        0.78148        0.69131        0.70001;

0.4        0.57059        0.25 0.60371 0.58696 0.50001;

0.33333        0.47647        0.25 0.48519 0.65653 0.72001;

0.4        0.38236        0.29999        0.42593        0.23913        0.58001;

0.13333        0.61764        0.65 0.57408 0.55218 0.70001;

0.23333        0.42941        0.69999        0.63334        0.48261        0.62001];

%训练数据

p=data(1:100,1:5);

t=data(1:100,6);

p=p';

t=t';

%测试数据

p_test=data(101:123,1:5);

t_test=data(101:123,6);

p_test=p_test';

t_test=t_test';

%—————————初始化———————————————

[~,Q]=size(p);

SamNum =Q; % 总样本数

InDim = 1; % 样本输入维数，输入维数设置有什么要求吗？

ClusterNum = 5; % 隐节点数，即聚类样本数

Overlap = 1; % 隐节点重叠系数

%选择初始聚类中心

Centers = p(:,1:ClusterNum);

NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零

IndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号

while 1,

NumberInClusters = zeros(ClusterNum,1); % 各类中的样本数，初始化为零

IndexInClusters = zeros(ClusterNum,SamNum); % 各类所含样本的索引号

% 按最小距离原则对所有样本进行分类

for i = 1:SamNum

%计算所有样本输入与聚类中心的距离

AllDistance = dist(Centers',p(:,i));

%按对小距离原则对样本进行分类

[~,Pos] = min(AllDistance);

NumberInClusters(Pos) = NumberInClusters(Pos) + 1;

IndexInClusters(Pos,NumberInClusters(Pos)) = i;

end

% 保存旧的聚类中心

OldCenters = Centers;

%重新计算各类新的聚类中心

for i = 1:ClusterNum

Index = IndexInClusters(i,1:NumberInClusters(i));

Centers(:,i) = mean(p(:,Index)')';

end

% 判断新旧聚类中心是否一致，是则结束聚类

EqualNum = sum(sum(Centers==OldCenters));

if EqualNum == InDim*ClusterNum,

break,

end

end

% 根据各聚类中心之间的距离确定各隐节点的扩展常数(宽度)

AllDistances = dist(Centers',Centers); % 计算隐节点数据中心间的距离(矩阵)

Maximum = max(max(AllDistances)); % 找出其中最大的一个距离

for i = 1:ClusterNum % 将对角线上的0 替换为较大的值

AllDistances(i,i) = Maximum+1;

end

spread = Overlap*min(min(AllDistances)') % 以隐节点间的最小距离作为扩展常数

%spread = Overlap*min(AllDistances)' % 以隐节点间的最小距离作为扩展常数

%spread有问题

%使用min(min())，不用双min的话，spread是一个矩阵，不是一个数字，怎么解决？？？%---------------------------------------------------

% 训练与测试

net = newrbe(p,t,spread);

a = sim(net,p)                           % 测试 - 输出为预测值

err1 = sum((t-a).^2)                     % 训练误差的平方和

%---------------------------------------------------

% 结果作图

%subplot(1,2,1);

figure(1)

plot(t,'r+:')

hold on

plot(a,'bo:')

title('+为真实值，o为预测值')

title('RBF网络拟合曲线图--训练');

legend('实际值','估计值');

ylabel('样本输出');

xlabel('输入样本点');

axis([1,105,0,1]);

b=sim(net,p_test)

err2=sum((t_test-b).^2)    % 训练误差的平方和

%subplot(1,2,2);

figure(2)

plot(t_test,'r+:')

hold on

plot(b,'bo:')

title('+为真实值，o为预测值')

title('RBF网络拟合曲线图--测试');

legend('实际值','估计值');

ylabel('样本输出');

xlabel('输入样本点');

axis([0,25,-20,5]);

结果截图：

训练图

测试结果图：

[Last edited by 箬茶 on 2012-11-22 at 16:26]