RBF神经网络预测例程

一个径向基网络预测例程，在MATLAB7.0下编译通过，可作为新手参考资源

data=[-0.22914	-0.059577	-0.88853	-0.25353	-0.28422	0.096958;
-0.48264	0.63645	0.025257	-0.36327	0.47082	-0.087841;
-0.4228	0.28586	0.34107	0.048845	-0.76611	0.18407;
-0.38717	-0.46772	0.14487	-0.23132	-0.089108	-0.74088;
-0.40248	-0.5382	0.19561	-0.22917	0.24525	0.63041;
-0.47317	-0.035252	-0.18518	0.83387	0.20625	-0.051838];
x=data（:1:5）;t=data（:6）;
c1=x（1:3:）;  %初值
%第一次分类
for i=1:1:6
     for j=1:1:3
    d1（ij）=（x（i:）-c1（j:））*（（x（i:）-c1（j:））‘）;
end
end
% x1   d1=[0	   1.9658	 1.9924;     
 % x2    1.9658	0	     1.9261;
 % x3    1.9924	1.9261	  0
 % x4    1.298	1.5735	 1.1445
 % x5    1.7154	1.4841	 1.8008
 % x6    1.9779	1.9987	 1.9443]     
%类1（x1）
%类2（x2x5）
%类3（x3x4x6）
%中心c1=[-0.22914	 -0.059577	 -0.88853	 -0.25353	 -0.28422
%       -0.48264	0.63645	   0.025257	   -0.36327	   0.47082
%       -0.4228	    0.28586	   0.34107	   0.048845	   -0.76611]

%第二次聚类
%新的中心c
c2=[x（1:）;0.5*（x（2:）+x（5:））;（x（3:）+x（4:）+x（6:））./3];
%c2=[ -0.22914	  -0.059577	 -0.88853	 -0.25353	 -0.28422
%     -0.44256	  0.049124	 0.11043   	 -0.29622	  0.35803
%    -0.42772	  -0.072373	  0.10025	  0.21713	-0.21632]
%求d2
for i=1:1:6
     for j=1:1:3
    d2（ij）=（x（i:）-c2（j:））*（（x（i:）-c2（j:））‘）;
end
end
%x1      d2=[0	    1.4696	  1.2434
%x2          1.9658	0.37103	  1.3201
%x3          1.9924	1.4924	  0.51694
%x4          1.298	0.47553	  0.37723
%x5          1.7154	0.37103	  0.63896
%x6          1.9779	1.3956	  0.64385]
%聚类结果
%类1（x1）
%类2（x2x5）
%类3（x3x4x6）
%
%可知，c不再变化，故，分类结束
%
%最后的结果：c＝[ -0.22914	  -0.059577	 -0.88853	 -0.25353	 -0.28422
%                -0.44256	  0.049124	 0.11043   	 -0.29622	  0.35803
%                -0.42772	  -0.072373	  0.10025	  0.21713	-0.21632]
%  求RBF基函数的宽度delta
dd2=d2‘;
dsum=sum（dd2）;
delta=[dsum（1） 0.5*（dsum（2）+dsum（5）） （dsum（2）+dsum（4）+dsum（6））./3];
%delta=[2.713	3.1912	3.275]
%据上述可知，隐含层数（采用高斯核函数）为3，输出层为线性输出
for j=1:1:3
for i=1:1:6
a（ji）=（（x（i:）-c2（j:）））*（（x（i:）-c2（j:））‘）;
    a（ji）=（-a（ji）./delta（j））;
end
end
P=1:1:6;
T=t;
%figure;subplot（221）;plot（Pt）;title（‘待逼近的函数样本点‘）;
%axis（[16-11]）
  p=a;
 r=radbas（p）;
 err_goal=0.99;
 sc=1;
 net=newrb（pT‘err_goalsc）;
%NEWRB neurons = 0 SSE = 0.999213
Y=sim（netp）;
%axis（[16-0.40.4]）;
figure;
plot（PT‘r‘）;
hold on;
plot（PY‘:*‘）;
title（‘RBF网络拟合曲线图11‘）;
legend（‘化验值‘‘估计值‘）;
ylabel（‘淀粉利用率（％）‘）;
xlabel（‘样本个数‘）;
axis（[16-11]）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

    ......R      2563  2003-12-29 14:53  11.m

    ......R      2660  2003-12-29 14:52  22.m

    ......R      6343  2003-12-30 13:16  33.asv

    ......R      6341  2003-12-30 13:20  33.m

    ......R      7904  2005-05-15 02:17  hs_err_pid1648.log

    ......R      6123  2004-03-03 14:08  RBF建模.asv

    ......R      6112  2005-05-28 01:02  RBF建模.m

    ......R      2027  2004-01-01 02:27  RBF预测.asv

    ......R      2024  2004-03-06 07:47  RBF预测.m

    ......R      2657  2003-12-29 13:52  建模1.asv

    ......R      2653  2003-12-29 14:54  建模1.m

    ......R       951  2003-12-28 14:11  建模.asv

    ......R       951  2003-12-28 14:13  建模.m

----------- ---------  ---------- -----  ----

                49309                    13