径向基函数

2.5.2 RBF网络的学习算法
2.求解方差
RBF神经网络的基函数为高斯函数时，方差可由下式求解：
式中 cmax 为中所选取中心之间的最大距离。
cmax i , i 1,2,h 2h
3.计算隐含层和输出层之间的权值
隐含层至输出层之间神经元的连接权值可以用最小二乘法 直接计算得到，计算公式如下：
2.5.3 RBF网络学习算法的MATLAB实现
newrbe() 功能
建立一个严格的径向基神经网络,严格是指径向基 神经网络的神经元的个数与输入值的个数相等。
格式 (1) 说明
net = newrb(P，T， SPREAD)
各参数的含义见Newrb。
2.5.3 RBF网络学习算法的MATLAB实现
用RBF作为隐单元的“基”构成隐含层空间，将输入 矢量直接(即不需要通过权连接)映射到隐空间 当RBF的中心点确定后，映射关系也就确定 隐含层空间到输出空间的映射是线性的
2.5.1 RBF神经网络模型
径向基神经网络的神经元结构
激活函数采用径向基函数
以输入和权值向量之间的 dist 距离作为自变量
无导师学习过程，求解隐含层基函数的中心与方差；
第二步，有导师学习阶段
求解隐含层到输出层之间的权值。
高斯函数作为径向基函数
R(x p ci )=exp(1 2
2
x p ci )
2
2.5.2 RBF网络的学习算法
网络的输出(网络结构如图2-21所示 )
y j = wij exp(i=1
w exp(
h c
2 max
x p ci )
2
p 1,2,, P; i 1,2,, h
2.5.3 RBF网络学习算法的MATLAB实现
RBF网络的MATLAB函数及功能
函 数 名 newrb() newrbe() newgrnn() newpnn() 功 能 新建一个径向基神经网络 新建一个严格的径向基神经网络 新建一个广义回归径向基神经网络 新建一个概率径向基神经网络
2.5.2 RBF网络的学习算法
学习算法需要求解的参数 径向基函数的中心 方差 隐含层到输出层的权值 学习方法分类（按RBF中心选取方法的不同分） 随机选取中心法 自组织选取中心法 有监督选取中心法 正交最小二乘法等
2.5.2 RBF网络的学习算法
自组织选取中心学习方法
第一步，自组织学习阶段
2.5.3 RBF网络学习算法的MATLAB实现
例2-4误差曲线和逼近曲线
小结
背景 RBF网络的基本思想 RBF神经网络模型 高斯函数 RBF网络的学习算法 RBF网络的MATLAB实现 RBF网络的应用
h
1 2
2
x p ci )
2
j =1,2, ,n
设d是样本的期望输出值，那么基函数的方差 可表示为 :
1 d j y j ci P j
m
2
2.5.2 RBF网络的学习算法
自组织选取中心算法步骤 1.基于K-均值聚类方法求取基函数中心
（1）网络初ຫໍສະໝຸດ Baidu化。
随机选取 h 个训练样本作为聚类中心ci (i 1,2,, h) 。
2.5.3 RBF网络学习算法的MATLAB实现
newrb() 功能
建立一个径向基神经网络
格式
net = newrb(P，T，GOAL，SPREAD，MN，DF)
说明
P为输入向量，T为目标向量，GOAL为圴方误差， 默认为0，SPREAD为径向基函数的分布密度，默 认为1，MN为神经元的最大数目，DF为两次显示 之间所添加的神经元神经元数目。
R ( dist )=e
- dist
2
2.5.1 RBF神经网络模型
径向基神经网络结构
2.5.1 RBF神经网络模型
RBF网络与BP网络比较： RBF网络的输出是隐单元输出的线性加权和， 学习速度加快 BP网络使用sigmoid()函数作为激活函数，这 样使得神经元有很大的输入可见区域 径向基神经网络使用径向基函数（一般使用 高斯函数）作为激活函数，神经元输入空间区 域很小，因此需要更多的径向基神经元
（2）将输入的训练样本集合按最近邻规则分组。 按照 x p与中心为 ci 之间的欧氏距离将x p分配到输入样 本的各个聚类集合 p ( p 1,2,, P) 中。 （3）重新调整聚类中心。
计算各个聚类集合 p中训练样本的平均值，即新的聚类 中心 ci ，如果新的聚类中心不再发生变化，则所得到的ci 即为RBF神经网络最终的基函数中心，否则返回（2）， 进入下一轮的中心求解。
2.5径向基函数神经网络模型与 学习算法
智能中国网提供学习支持 www.5iai.com
概述
1985年，Powell提出了多变量插值的径向基函 数(Radical Basis Function，RBF)方法 1988年， Moody和Darken提出了一种神经网络 结构，即RBF神经网络 RBF网络是一种三层前向网络 RBF网络的基本思想
例2-4 建立一个径向基神经网络，对非线性函数 y=sqrt(x)进行逼近，并作出网络的逼近误差曲线。
%输入从0开始变化到5，每次变化幅度为0.1 x=0:0.1:5; y=sqrt(x); %建立一个目标误差为0，径向基函数的分布密度为 %0.5，隐含层神经元个数的最大值为20，每增加5个 %神经元显示一次结果 net=newrb(x,y,0,0.5,20,5); t=sim(net,x); %在以输入x和函数值与网络输出之间的差值y-t坐标 %上绘出误差曲线，并用＂*＂来标记函数值与网络输 %出之间的差值 plot(x,y-t,'*-')