RBF神经网络预测例程

%RBF法建模 m_data=[0.26667 0.47647 0.35 0.30741 0.39565 0.9; 0.2 0.75882 0.35 0.27778 0.53479 0.46001; 0.2 0.52353 0.4 0.33704 0.32609 0.48001; 0.66667 0.52353 0.29999 0.21852 0.27391 0.50001; 0.26667 0.75882 0.6 0.33704 0.32609 0.44001; 0.16667 0.57059 0.29999 0.27778 0.3087 0.46001; 0.2 0.71176 0.4 0.36667 0.44783 0.48001; 0.23333 0.71176 0.5 0.30741 0.15218 0.34001; 0.16667 0.42941 0.5 0.24815 0.5 0.48001; 0.13333 0.57059 0.5 0.3963 0.41305 0.48001; 0.16667 0.75882 0.5 0.21852 0.3087 0.52001; 0.16667 0.71176 0.4 0.27778 0.48261 0.44001; 0.23333 0.75882 0.5 0.33704 0.3087 0.48001; 0.13333 0.75882 0.5 0.33704 0.23913 0.42001; 0.16667 0.75882 0.2 0.18889 0.13478 0.1; 0.13333 0.71176 0.35 0.27778 0.32609 0.14; 0.2 0.24119 0.35 0.24815 0.3087 0.88001; 0.70001 0.47647 0.25 0.33704 0.20435 0.38001; 0.4 0.52353 0.2 0.15927 0.23913 0.34001; 0.26667 0.47647 0.35 0.12963 0.16957 0.36; 0.16667 0.6647 0.35 0.27778 0.27391 0.40001; 0.3 0.61764 0.55 0.24815 0.25652 0.62001; 0.13333 0.75882 0.6 0.30741 0.20435 0.62001; 0.3 0.71176 0.55 0.18889 0.20435 0.70001; 0.13333 0.57059 0.5 0.30741 0.29131 0.72001; 0.16667 0.80588 0.5 0.21852 0.23913 0.60001; 0.1 0.61764 0.6 0.21852 0.16957 0.62001; 0.23333 0.61764 0.5 0.3963 0.3087 0.70001; 0.2 0.80588 0.45 0.18889 0.1 0.48001; 0.23333 0.6647 0.45 0.1 0.11739 0.54001; 0.2 0.52353 0.29999 0.30741 0.16957 0.50001; 0.16667 0.71176 0.6 0.24815 0.23913 0.70001; 0.1 0.85293 0.6 0.12963 0.16957 0.52001; 0.3 0.61764 0.5 0.21852 0.13478 0.64001; 0.13333 0.61764 0.4 0.27778 0.23913 0.62001; 0.16667 0.80588 0.6 0.3963 0.23913 0.36; 0.23333 0.75882 0.75 0.30741 0.1 0.66001; 0.13333 0.9 0.6 0.27778 0.20435 0.44001; 0.16667 0.61764 0.29999 0.27778 0.32609 0.60001; 0.16667 0.71176 0.6 0.27778 0.27391 0.52001; 0.1 0.85293 0.45 0.1 0.23913 0.54001; 0.1 0.71176 0.69999 0.27778 0.43044 0.76001; 0.1 0.38236 0.6 0.30741 0.32609 0.64001; 0.1 0.75882 0.6 0.33704 0.25652 0.46001; 0.73333 0.71176 0.25 0.45556 0.5 0.50001; 0.56667 0.61764 0.35 0.33704 0.34348 0.74; 0.13333 0.6647 0.75 0.75186 0.69131 0.56001; 0.83334 0.61764 0.25 0.60371 0.44783 0.38001; 0.9 0.33529 0.2 0.3963 0.3087 0.54001; 0.4 0.61764 0.5 0.3963 0.44783 0.48001; 0.1 0.57059 0.4 0.57408 0.7261 0.88001; 0.16667 0.61764 0.35 0.27778 0.34348 0.38001; 0.1 0.47647 0.35 0.75186 0.83045 0.62001; 0.2 0.47647 0.35 0.81111 0.83045 0.70001; 0.1 0.33529 0.6 0.9 0.9 0.50001; 0.13333 0.24119 0.4 0.81111 0.86522 0.58356; 0.4 0.80588 0.6 0.48519 0.55218 0.42001; 0.5 0.42941 0.45 0.57408 0.37826 0.56001; 0.16667 0.28824 0.25 0.75186 0.79567 0.54001; 0.23333 0.33529 0.4 0.84075 0.65653 0.68001; 0.13333 0.57059 0.6 0.57408 0.67392 0.46001; 0.5 0.57059 0.5 0.51482 0.55218 0.44001; 0.1 0.6647 0.69999 0.57408 0.65653 0.88001; 0.3 0.75882 0.75 0.21852 0.37826 0.70001; 0.23333 0.57059 0.6 0.3963 0.41305 0.48001; 0.59999 0.80588 0.45 0.24815 0.25652 0.42001; 0.70001 0.28824 0.65 0.63334 0.58696 0.60001; 0.4 0.61764 0.4 0.33704 0.34348 0.34001; 0.46666 0.1 0.5 0.63334 0.65653 0.54001; 0.23333 0.33529 0.25 0.84075 0.7261 0.50001; 0.2 0.47647 0.1 0.27778 0.3087 0.42001; 0.36667 0.52353 0.5 0.51482 0.83045 0.62001; 0.4 0.47647 0.45 0.33704 0.32609 0.50001; 0.33333 0.33529 0.4 0.63334 0.7261 0.46001; 0.23333 0.24119 0.55 0.63334 0.7261 0.53778; 0.13333 0.24119 0.45 0.33704 0.3087 0.76001; 0.33333 0.47647 0.45 0.42593 0.41305 0.70001; 0.5 0.1 0.35 0.3963 0.48261 0.70001; 0.46666 0.52353 0.4 0.63334 0.86522 0.52001; 0.26667 0.33529 0.25 0.69259 0.83045 0.68001; 0.26667 0.71176 0.6 0.42593 0.55218 0.34001; 0.4 0.42941 0.5 0.45556 0.43044 0.52001; 0.23333 0.47647 0.6 0.54445 0.62175 0.52001; 0.36667 0.47647 0.4 0.69259 0.69131 0.52001; 0.26667 0.61764 0.29999 0.63334 0.81306 0.44001; 0.1 0.33529 0.65 0.3963 0.23913 0.44001; 0.13333 0.57059 0.6 0.51482 0.55218 0.38001; 0.2 0.33529 0.55 0.45556 0.55218 0.52001; 0.33333 0.24119 0.29999 0.57408 0.83045 0.64001; 0.16667 0.42941 0.5 0.45556 0.76088 0.58001; 0.13333 0.71176 0.65 0.45556 0.37826 0.22001; 0.1 0.71176 0.6 0.63334 0.69131 0.28001; 0.2 0.52353 0.9 0.36667 0.48261 0.36446; 0.16667 0.71176 0.8 0.36667 0.32609 0.42001; 0.13333 0.42941 0.55 0.51482 0.48261 0.58001; 0.4 0.47647 0.5 0.30741 0.37826 0.48001; 0.8 0.52353 0.4 0.30741 0.34348 0.48001; 0.1 0.6647 0.69999 0.51482 0.5 0.38001; 0.16667 0.6647 0.55 0.45556 0.32609 0.34001; 0.23333 0.61764 0.65 0.51482 0.41305 0.2; 0.3 0.71176 0.5 0.33704 0.5174 0.70001; 0.13333 0.57059 0.5 0.33704 0.44783 0.60001; 0.3 0.80588 0.69999 0.54445 0.5174 0.50001; 0.13333 0.75882 0.65 0.3963 0.37826 0.28001; 0.16667 0.71176 0.65 0.57408 0.5 0.70001; 0.16667 0.75882 0.6 0.45556 0.62175 0.44001; 0.26667 0.61764 0.65 0.3963 0.34348 0.74; 0.36667 0.57059 0.5 0.30741 0.39565 0.62001; 0.16667 0.57059 0.65 0.3963 0.29131 0.62001; 0.2 0.52353 0.5 0.48519 0.39565 0.44001; 0.4 0.52353 0.45 0.33704 0.34348 0.56001; 0.13333 0.52353 0.5 0.33704 0.29131 0.52001; 0.26667 0.42941 0.5 0.75186 0.65653 0.76001; 0.13333 0.24119 0.5 0.54445 0.58696 0.64001; 0.13333 0.14707 0.1 0.51482 0.5174 0.58001; 0.2 0.24119 0.29999 0.60371 0.62175 0.74; 0.26667 0.42941 0.25 0.57408 0.65653 0.60001; 0.56667 0.19412 0.4 0.78148 0.69131 0.70001; 0.4 0.57059 0.25 0.60371 0.58696 0.50001; 0.33333 0.47647 0.25 0.48519 0.65653 0.72001; 0.4 0.38236 0.29999 0.42593 0.23913 0.58001; 0.13333 0.61764 0.65 0.57408 0.55218 0.70001; 0.23333 0.42941 0.69999 0.63334 0.48261 0.62001; 0.2 0.28824 0.55 0.81111 0.76088 0.58]; X=m_data(:,1:5);T=m_data(:,6); %随机选取中心 C=X; %定义delta平方为样本各点的协方差之和 delta=cov(X'); delta=sum(delta); %delta=delta'; %隐含层输出H for i=1:1:124 for j=1:1:124 a(i,j)=((X(i,:)-C(j,:)))*((X(i,:)-C(j,:))'); a(i,j)=exp(-a(i,j)./delta(j)); end end H=a; %定义训练参数 lr=0.99;max_epoch=100;err_goal=0.05; %RBF网络的输出层的训练，采用递推最小二乘算法 w=0*rands(124,1); y=H'*w; E=T-y; SSE=sumsqr(E); I=eye(124); P=99*I; for epoch=1:1:max_epoch if SSE<err_goal epoch=epoch-1, break,end %dw=deltalin(y,E); K=P*H./(lr+H'*P*H); P=(I-K*H')*P/lr; w=w+K*(T-H'*w); end figure; plot(T,'r'); hold on; plot(y,':*'); title('RBF网络拟合曲线图'); legend('化验值','估计值'); ylabel('淀粉利用率（％）'); xlabel('样本个数'); axis([1,130,-1,1]);