给定输入向量 p = − 1 : 0.1 : 1 p=-1:0.1:1 p=−1:0.1:1和目标向量 [ t = 0.0596 0.6820 0.0424 0.0714 0.5216 0.0967 0.8181 0.8175 0.7224 0.1499 0.6596 0.5186 0.9730 0.6490 0.8003 0.4538 0.4324 0.8253 0.0835 0.1332 ] \begin{bmatrix} t = 0.0596 & 0.6820 & 0.0424 & 0.0714 & 0.5216 & 0.0967 & 0.8181 & 0.8175 & 0.7224 & 0.1499 & 0.6596 & 0.5186 & 0.9730 & 0.6490 & 0.8003 & 0.4538 & 0.4324 & 0.8253 & 0.0835 & 0.1332\end{bmatrix} [t=0.0596
本文通过使用RBF神经网络newrb()函数，对输入向量p和目标向量t进行训练，展示了随着神经元数量增加，MSE（均方误差）逐渐减小的过程。网络训练结果显示，当神经元数量增多时，拟合效果提升，误差性能曲线和曲线拟合仿真结果图表进一步证实了这一点。newrb()函数用于设计径向基网络，其关键参数spread影响网络的拟合平滑度和所需神经元数量，需要适当调整以达到最佳性能。
最低0.47元/天 解锁文章
785
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
