RBF and svm matlab code matlab回归预测的源代码

matlab回归预测的源代码，使用RBF和SVM两种机器学习法，对这两种方法进行了对比。

clc;
clear;
close all;

%产生学习数据generate the learing data
ld=400; %???????
x=rand（2ld）; %在0和1之间随机产生2*400的行列式
x=（x-0.5）*1.5*2; %-1.5 1.5 
x1=x（1:）;%1*400的行向量
x2=x（2:）;%1*400的行向量
F=20+x1.^2-10*cos（2*pi*x1）+x2.^2-10*cos（2*pi*x2）;%行向量


%生成RBF神经网络
net=newrb（xF0.001）;%%%x是输入，F是目标输出

% yb=sim（netx）;
% x1=reshape（x12020）;
% x2=reshape（x22020）;
% yb=reshape（yb2020）;
% F=reshape（F2020）;
% figure
% subplot（131）;
% mesh（x1x2F）;
% subplot（132）;
% mesh（x1x2yb）;


%%产生测试数据
interval=0.1;
[i j]=meshgrid（-1.5:interval:1.5）;
row=size（i）;

tx1=i（:）;
tx1=tx1‘;

tx2=j（:）;
tx2=tx2‘;

tx=[tx1;tx2];%三维空间的平面测试坐标（xy），两行

%testing
ty=sim（nettx）;%把测试坐标输入，进行逼近

v=reshape（tyrow）;
figure
subplot（132）
mesh（ijv）;
title（‘预测图像‘）
zlim（[060]）

%plot the original function
interval=0.1;
[x1 x2]=meshgrid（-1.5:interval:1.5）;
F = 20+x1.^2-10*cos（2*pi*x1）+x2.^2-10*cos（2*pi*x2）;
subplot（131）
mesh（x1x2F）;
title（‘实际数据‘）
zlim（[060]）

%plot the error
subplot（133）
mesh（x1x2F-v）;
title（‘误差‘）
zlim（[060]）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1166  2013-11-29 20:48  rbf_approx.m
     文件        5655  2013-11-28 12:47  SVM_approx.m