径向基函数网络课件

第七章 径向基函数网络径向基函数vRadial Basis FunctionRBFv径向基函数又称为辐射基函数v常用形式：高斯函数radbasv关键参数：半衰期径向基神经元v特殊的功能：输入矢量p和权值w之间的距离乘以阈值b径向基神经网络结构v两层前馈网络v隐藏层为径向基神经元层v输出层为线性层径向基神经网络特点分析v对于单个神经元，输入与权值的距离越近输出越大，即只对某个局部有响应v半衰距离spread：调节响应局部的衰减特性v阈值b调整响应局部的映射（范围）v隐藏层径向基神经元的个数确定了响应局部的个数v每个径向基神经元的权值确定了响应局部的位置径向基神经网络的构建v严格设计函数：newrbevnet=newrbe(P,T,SPREAD)P：输入向量T：期望输出向量SPREAD：散布常数（半衰半径）v隐藏层设计方法：有几个训练样本就设置几个径向基神经元；权值根据样本设置；阈值根据0.8326/spread设置v输出层：W2,1 b2*A1;ones=Tv例二：严格设计（冗余）径向基神经网络的构建v有效设计函数：newrbvnet=newrb(P,T,GOAL,SPREAD,MN,DF)P,T,SPREAD的意义与newrbe相同GOAL：精度目标MN：最大使用径向基神经元个数，缺省与训练样本个数相同DF：绘制网络效果的间隔，缺省为25v设计方法：每次增加一个隐藏层的径向基神经元，循环，直到误差达到训练目标v例三：有效设计，效率提高径向基网络应用v例四：对一系列的数据点进行函数逼近v步骤：设置输入样本点分析径向基神经元逼近原理：分量相加设置目标参数v方差精度：逼近程度v散布常数：光滑度采用newrb（）函数设计网络（有效）讨论参数对逼近结果的影响RBF网络小结v径向基神经网络径向基函数径向基神经元径向基神经网络结构径向基神经网络构建：严格和优化径向基神经网络的特点：局部感知场径向基神经网络的优点：训练要快得多广义回归神经网络GRNNv线性层比较特殊vnprod环节：纯线性组合GRNN与RBF的区别GRNNRBF隐藏层W1P可调B10.8326/srpead0.8326/srpead线性层W2T可调B2无可调GRNN的构建v函数：net=newgrnn(P,T,SPREAD)v实现：隐藏层权值置为P隐藏层阈值置为0.8326/srpead线性层权值置为Tv例一：根据样本设计GRNN网络验证实现方法GRNN网络应用v例二：采用GRNN网络逼近数据序列v步骤：设置待逼近数据序列构建网络对比网络输出与原数据绘制逼近函数曲线讨论spread参数的影响（对比RBF）概率神经网络PNN结构v第二层为竞争层：PNN原理分析v主要用于分类，K个类有Q核心（QK）v计算输入样本与每个核心的相似程度（a1）v合并属于同一类的核心的相应的相似程度通过LWa1n2进行合并a1（Q1）；LW（KQ）；n2（K1）v比较n2中的各个分量，认为属于样本属于最大分量所对应的那个类PNN的构建v函数：net=newpnn(P,T,SPREAD)v实现：隐藏层权值置为P隐藏层阈值置为0.8326/srpead线性层权值置为T（KQ）T的表示方法：若第i个训练样本应该属于第j类，则将T（j，i）置为1，其余为零v例一：根据样本设计PNN网络验证实现方法PNN网络应用v例二：采用PNN网络进行变量分类v步骤：设置训练样本（类核心）构建网络测试网络对原训练样本的分类测试网络对新样本的分类绘制三维特征空间分类情况各类径向基网络总结v隐藏层用径向基神经元实现v局部响应v第二层：RBF：组合线性GRNN：纯线性PNN：竞争v可以实现函数逼近、系统建模和分类功能v可直接创建，速度快