王安神經(jīng)網(wǎng)絡(luò)的仿真實(shí)例

1、RBF網(wǎng)的仿真實(shí)例函數(shù)逼近 本節(jié)考慮Hermit多項(xiàng)式的逼近問題，該問題由提出：函數(shù) 式中 .訓(xùn)練樣本產(chǎn)生方式如下,其中樣本輸入服從區(qū)間內(nèi)的均勻分布,樣本輸出為添加的噪音,服從均值為0,標(biāo)準(zhǔn)差為0.1的正態(tài)分布.產(chǎn)生的目標(biāo)和一組訓(xùn)練樣本. 22( )1.1(12)exp()2xF xxxRBF網(wǎng)的仿真實(shí)例對于該函數(shù)逼近問題,可以1輸入1輸出的三層RBF網(wǎng)對樣本進(jìn)行擬合,網(wǎng)絡(luò)的隱接點(diǎn)為10.采用聚類方法、梯度算法訓(xùn)練RBF網(wǎng) RBF網(wǎng)隱層采用標(biāo)準(zhǔn)徑向基Gaussian函數(shù)，輸出層采用線性激活函數(shù)，即 其他參數(shù)設(shè)定如下:1.聚類方法 數(shù)據(jù)中心和擴(kuò)展常數(shù)用聚類的方法得到,輸出權(quán)值和便移廣義逆方法求解

2、.隱接點(diǎn)數(shù)(即聚類數(shù)）取10，隱接點(diǎn)的重疊系數(shù)為，初始聚類中心取前10個訓(xùn)練樣本( )f uuRBF網(wǎng)的仿真實(shí)例 聚類算法確定網(wǎng)數(shù)據(jù)中心和擴(kuò)展常數(shù)的步驟如下： （1）算法初始化：選擇個不同的初始聚類中心，并令。初始聚類中心的方法很多，比如，從樣本輸入中隨即選取，或者選擇前個 RBF網(wǎng)的仿真實(shí)例 2 .梯度法 數(shù)據(jù)中心和擴(kuò)展常數(shù)和輸出權(quán)值均用梯度法求解，他們的學(xué)習(xí)率均為0.001。隱接點(diǎn)數(shù)取10初始輸出權(quán)值取-0.1，0.1內(nèi)隨機(jī)值，初始數(shù)據(jù)中心取 -4.0，4.0內(nèi)隨機(jī)值，初始擴(kuò)展常數(shù)取-0.1，0.3內(nèi)隨機(jī)值，目標(biāo)誤差0.9，最大訓(xùn)練次數(shù)5000。RBF網(wǎng)的仿真實(shí)例 上面2種方法用于Hermit多項(xiàng)式的逼近的MTLAB程序如下。 如圖所示為對某批訓(xùn)練樣本，2種方法對目標(biāo)函數(shù)的逼近函數(shù)，其中兩條實(shí)線分別用兩種方法得到的RBF網(wǎng)的輸入輸出曲線，“+”為樣本。有圖可見，2條曲線是非常接近的，說明2種方法都能較好地完成對目標(biāo)函數(shù)的逼近。但事實(shí)上，聚類方法學(xué)習(xí)速度要快的多，梯度方法較慢！RBF網(wǎng)的仿真實(shí)例-4-3-2-101234-0.500.511.522.53Input xOutput y RBF網(wǎng)的仿真實(shí)