m基于RBF神经网络的数据预测matlab仿真,测试数据分别采用趋势型数据,周期型数据以及混乱型数据
1.算法描述
1985年,Powell提出了多变量插值的径向基函数(RBF)方法。径向基函数是一个取值仅仅依赖于离原点距离的实值函数,也可以是到任意一点c的距离,c点称为中心点。任意满足上述特性的函数,都可以叫做径向基函数。一般使用欧氏距离计算距离中心点的距离(欧式径向基函数)。最常用的径向基函数是高斯核函数。RBF神经网络只有三层,即输入层、隐藏层、输出层。
用RBF作为隐藏层单元的激活函数,将输入数据映射到高维隐藏空间,不需要通过权值连接,当RBF的中心点确定后,映射关系也就确定了。比如图2中的隐藏层c1-ch,需要确定h个中心点。
隐藏层到输出层的映射是线性的,即网络的输出是隐藏单元输出的线性加权求和,这里的权重(w)即为网络的可调参数。
注意:隐含层的作用是把向量从低维度的p映射到高维度的h,这样低维度线性不可分的情况到高维度就可以变得线性可分了,主要就是核函数的思想。这样,网络由输入到输出的映射是非线性的;而网络输出对可调参数而言却又是线性的,网络的权就可由线性方程组直接解出,从而大大加快学习速度并避免局部极小问题。
径向基神经网络的激活函数可表示为:
其中xp为第p个输入样本,ci为第i个中心点,h为隐含层的结点数,n是输出的样本数或分类数。径向基神经网络的结构可得到网络的输出为:
RBF神经网络的隐节点采用输入模式与中心向量的距离(如欧式距离)作为函数的自变量,并使用径向基函数(如Gaussian函数)作为激活函数。神经元的输入离径向基函数中心越远,神经元的激活程度就越低(高斯函数)。
2.仿真效果预览
matlab2022a仿真结果如下:
3.MATLAB核心程序
load data3.mat %% %选择100个数据作为输入 Data = data3(1:100); %% %选择20个训练数据 t11 = 1:10; Train_data1 = Data(1:10); t12 = 1:10; spread = 1; goal = 0.01; df = 1; mn = length(t11); net = newrb(t11,Train_data1,goal,spread,mn,df); yc1 = sim(net,t12); %% %选择70个训练数据 t21 = 1:60; Train_data2 = Data(1:60); t22 = 1:60; spread = 1; goal = 0.01; df = 1; mn = length(t21); net = newrb(t22,Train_data2,goal,spread,mn,df); yc2 = sim(net,t22); figure; plot(t21,Train_data2,'b-o'); hold on; plot(t22,yc2,'r-*'); hold off; grid on; %% %%对比计算结果 mser11 = func_mse(Train_data1); mser12 = func_mse(yc1); sder1 = func_sd(yc1); sdrer1 = func_sdr(yc1,Train_data1); coeff1 = func_pcc(yc1,Train_data1); fprintf('Inputs Train data points MSE training MSE testing PCC SDR SD\n'); %% %下面的程序是画图 cnt = 0; for i = 10:2:60 i cnt = cnt + 1; t01 = 1:i; Train_data0 = Data(1:i); t02 = 1:i; spread = 1; goal = 0.01; df = 1; mn = length(t01); net = newrb(t02,Train_data0,goal,spread,mn,df); yc0 = sim(net,t02); %% %%对比计算结果 mser01(cnt) = func_mse(Train_data0); mser02(cnt) = func_mse(yc0); sder0(cnt) = func_sd(yc0); sdrer0(cnt) = func_sdr(yc0,Train_data0); end