多输入多输出RBF神经网络MATLAB程序

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

% RBF网络逼近，多维输入情况
% 作者：nuaazdh
% 时间：2012年4月11日 20:11:25
function [test_out]=RBF_NN_MIC（train_itrain_otest_i）
% train_i:训练样本输入，行数表示其维数，列数表示样本个数
% train_o:训练样本输出
% test_i:测试样本输入
% test_o:测试样本输出
%% 参数设定和初始化
size_tr=size（train_i2）; %训练样本个数
size_te=size（test_i2）;  %测试样本个数
%train_o=cos（train_i）;%因变量y
in_num=size（train_i1）;%输入层神经单元个数
hid_num=7;         %隐含层神经单元个数
w=rand（1hid_num）;%隐含层-输出层的权值
b=ones（1hid_num）;%节点基宽
c=4.0*rand（in_numhid_num）;%基函数中心
h=zeros（1hid_num）;%RBF网络的径向基向量
eta_w=0.080;%学习率η
eta_b=0.010;
eta_c=0.010;
alpha=0.1;%动量因子α
%beta=0.1;%变步长调整系数
maxgen=20000;%最大迭代次数
error_goal=1e-4;%误差精度要求
mse=zeros（1maxgen）;%均方误差
wk_1=w;wk_2=w;%前1 2 时刻的权值
bk_1=b;bk_2=b;%前1 2 时刻的基宽值
ck_1=c;ck_2=c;%前1 2时刻的中心值
delta_c=zeros（in_numhid_num）;
%[~ce]=kmeans（train_ihid_num）;
%c=ce‘;
W=cell（maxgen1）;
B=cell（maxgen1）;
C=cell（maxgen1）;
%% 开始训练网络
gen=0;
for i=1:maxgen
    gen=gen+1;%当前迭代次数
    %% 训练样本
    for j=1:size_tr
        for k=1:hid_num
            h（k）=exp（-norm（train_i（:j）-c（:k））^2/（2*b（k）^2））;
        end
        ye=w*h‘;
        %修正权值
        e=train_o（j）-ye;%当前输出误差        
        for k=1:hid_num                
            w（k）=wk_1（k）+eta_w*e*h（k）+alpha