RBF神经网络

%----------------------------- RBFNN程序 ----------------------------------
clc
clear
load（‘shuju.mat‘）;      %导入数据
%--------------------------- 学习RBFNN中心部分  开始 -----------------------
t=[P（:122）P（:130）P（:135）P（:2）P（:31）P（:52）P（:77）P（:97）P（:106）P（:114）P（:116）P（:119）...
   P（:121）P（:127）P（:134）P（:137）P（:18）P（:42）P（:66）P（:90）P（:102）P（:110）P（:117）P（:118）];      %设置RBFNN初始中心
center_study_step=0.1;     %设置学习步长
t_next=zeros（324）;     %初始化每次迭代后心的中心
t_n=1;        %迭代次数初始化
while max（max（abs（t_next-t）））>=0.0001        %若两次迭代间中心的偏差大于限差，则继续迭代，否则认为中心达到稳定状态
    sum=zeros（324）;        %sum作为计算Xk-ti的和，以后取平均值计算RBFNN中心调整量
    k_num=zeros（124）;        %存储属于各个中心的训练样本数量
    if t_n>1 
        t=t_next;       %非第一次迭代时，把上一次迭代后得到的新的中心赋给本次迭代的初始中心
    end
    for k=1:137
        for i=1:24
            dis（i）=sqrt（（P（1k）-t（1i））^2+（P（2k）-t（2i））^2+（P（3k）-t（3i））^2）;      %计算各训练样本到中心的距离
        end
        [valindx]=min（dis）;        %获取训练样本到中心距离的最小值
        sum（:indx）=sum（:indx）+P（:k）-t（:indx）;       %对有相同中心的训练样本到相应中心的偏差求和，方便下面计算平均值并为计算中心调整量服务
        k_num（indx）=k_num（indx）+1;      %计算属于各个中心的训练样本数量
    end 
    for i=1:24
        sum（:i）=sum（:i）/k_num（i）;      %计算Xk-ti的平均值
        t_next（:i）=t（:i）+center_study_step*sum（:i）;      %计算调整后的中心
    end
    t_n=t_n+1;      %中心迭代次数累加
end
t=t_next;
%--------------------------- 学习RBFNN中心部分  结束 -----------------------
%--------------------------- 确定RBFNN方差部分  开始 -----------------------
for i=1:24
    for j=i:24
        dist（ij）=sqrt（（t（1i）-t（1j））^2+（P（2i）-t（2j））^2+（P（3i）-t（3j））^2）