使用RBF神经网络实现函数逼近

合集 - 智能算法(18)

1.使用RBF神经网络实现函数逼近2023-03-19

2.使用BP神经网络实现函数逼近2023-03-193.使用CNN实现MNIST数据集分类2023-03-194.tensorflow解决回归问题简单案列2023-03-195.自然语言建模与词向量2023-03-196.使用多层RNN-LSTM网络实现MNIST数据集分类及常见坑汇总2023-03-197.基于tensorflow的RBF神经网络案例2023-03-198.快速傅里叶变换（FFT）和小波分析在信号处理上的应用2023-03-199.Python三次样条插值与MATLAB三次样条插值简单案例2023-03-1910.使用TensorFlow实现MNIST数据集分类2023-03-1911.数值积分原理与应用2023-03-1912.keras建模的3种方式——序列模型、函数模型、子类模型2023-03-1913.基于keras的残差网络2023-03-1914.基于keras的双层LSTM网络和双向LSTM网络2023-03-1915.seq2seq模型案例分析2023-03-1916.基于keras的卷积神经网络（CNN）2023-03-1917.基于keras的时域卷积网络（TCN）2023-03-1918.基于keras的胶囊网络（CapsNet）2023-03-19

收起

python实现的RBF神经网络见：基于tensorflow的RBF神经网络案例

1 一元函数逼近

1.1 待逼近的函数

1.2代码

%%%%%%%%%%一元函数逼近%%%%%%%%%%
clear,clc;
x=linspace(-20,20,100); %神经网络输入值
t=10*x-30*sin(x)-80*tansig(x); %神经网络目标值
plot(x,t,'+'); %待逼近的函数图像
hold on
net=newrb(x,t,1,2); %平方和误差小于1
y=net(x);%神经网络输出值
plot(x,y,'g'); %仿真的函数图像
title('RBF神经网络函数逼近');
xlabel('输入值');
ylabel('目标值/输出值');
mse(y,t) %平方和误差

1.3运行结果

MSE=0.9157

2 二元函数逼近

2.1待逼近的函数

2.2代码

%%%%%%%%%%二元函数逼近%%%%%%%%%%
clear,clc
t=0:0.1:10*pi; %辅助参数
x=(t+0.5*pi).*sin(t+0.5*pi); %神经网络输入值(指标1)
y=(t+0.5*pi).*cos(t+0.5*pi); %神经网络输入值(指标2)
z=1.5*t; %神经网络目标值
net=newrb([x;y],z,0.001,2); %平方和误差小于0.001
zf=net([x;y]);%神经网络输出值
plot3(x,y,zf,'r'); %仿真的函数图像
hold on
plot3(x,y,z,'+'); %待逼近的函数图像
title('RBF神经网络函数逼近');
xlabel('输入值(指标1)');
ylabel('输入值(指标2)');
zlabel('目标值/输出值');
grid on
mse(zf,z) %平方和误差

2.3运行结果

MSE=9.5196e-04

​ 声明：本文转自使用RBF神经网络实现函数逼近