文档介绍：MATLAB径向基神经网络函数
MATLAB径向基神经网络函数
MATLAB径向基神经网络函数
众所周知,BＰ网络用于函数逼近时，权值的调节采用的是负梯度下降法。这个调节权值的方法有局限性，即收敛慢和局部极小等。径向基函数网络（ＲＢF)在逼近能力、分类能力和学****速度等方面均优于BP网络。ﻫﻫMａtlab中提供了四个径向基函数相关的函数，它们都是创建两层的神经网络，第一层都是径向基层,第二层是线性层或者竞争层。主要的区别是它们权值、阀值就算函数不同或者是否有阀值。ﻫﻫ注意：径向基函数网络不需要训练，
= nｅwrｂe(Ｐ，T,spread）ﻫ
newrｂe()函数可以快速设计一个径向基函数网络，且是的设计误差为0。第一层（径向基层)神经元数目等于输入向量的个数，加权输入函数为dｉst,网络输入函数为netpｒｏd;第二层(线性层）神经元数模有输出向量Ｔ确定，加权输入函数为dｏtproｄ,网络输入函数为nｅtsum。两层都有阀值。ﻫ
第一层的权值初值为p’，／ｓｐｒｅad，目的是使加权输入为±,阀值的设置决定了每一个径向基神经元对输入向量产生响应的区域。ﻫﻫ2.［nｅt，tr] =　newrｂ(P，Ｔ,gｏal，ｓprｅad,MN，DF)ﻫ
该函数和ｎewrbｅ一样,只是可以自动增加网络的隐层神经元数模直到均方差满足精度或者神经元数模达到最大为止。
 
P=—１：０。1：1；
T=sin（P）;ﻫｓprｅａｄ=１;ﻫmse＝；ﻫnｅt＝ｎeｗｒb（P，T,mｓｅ，sｐrｅad)；ﻫt＝sim（neｔ,P);
plot（Ｐ,T,’ｒ*’,Ｐ,t)
 
　= newgｒnn（P，T,spread)泛回归网络(gｅｎeralized　regressiｏn　neｕrａｌ neｔｗｏｒk)ﻫﻫ广义回归网络主要用于函数逼近。它的结构完全与newｂre的相同，但是有以下几点区别（没有说明的表示相同）：
（１)第二网络的权值初值为Tﻫ（2）第二层没有阀值
(3）第二层的权值输入函数为nｏrmｐｏd,网络输入函数为netsum
MATLAB径向基神经网络函数
MATLAB径向基神经网络函数
MATLAB径向基神经网络函数
 
>＞ P=0：１:２0；
〉>　Ｔ=exp（Ｐ）。＊siｎ(P)；ﻫ>〉 net=neｗｇｒnn(P，T,）；
＞> ｐ=０：:20;ﻫ>＞ t=ｓim(net，p）;ﻫ〉> pｌot(P，T，’*r’，p，ｔ）
 
4。net　= ｎewｐnn（P，Ｔ,ｓpread)概率神经网络(prｏｂabilisｔｉc　neural ｎeｔwｏrk）
该网络与前面三个最大的区别在于，第二层不再是线性层而是竞争层，并且竞争层没有阀值，其它同newｂｒe,故PNＮ网络主要用于解决分类问题。PNN是按下面的方式进行分类的：
为网络提供一输入向量后，首先，径向基层计算该输入向量