neuralnetwork_rbf_regression.m

％ RBF 神经网络用于函数拟合 ％ 使用平台 - Matlab6.5

% RBF 神经网络用于函数拟合　
% 使用平台 - Matlab6.5
% 作者：陆振波，海军工程大学
% 欢迎同行来信交流与合作，更多文章与程序下载请访问我的个人主页
% 电子邮件：[e-mail]
% 个人主页：http://luzhenbo.88uu.com.cn


%clc
clear
close all

%---------------------------------------------------
% 产生训练样本与测试样本

n1 = 1:2:200;
x1 = sin(n1*0.1);

n2 = 2:2:200;
x2 = sin(n2*0.1);

xn_train = n1;          % 训练样本，每一列为一个样本
dn_train = x1;          % 训练目标，行向量

xn_test = n2;           % 测试样本，每一列为一个样本
dn_test = x2;           % 测试目标，行向量

%---------------------------------------------------
% 训练与测试

switch 1
case 1
        
% 神经元数是训练样本个数
P = xn_train;
T = dn_train;
spread = 40;                % 此值越大,覆盖的函数值就大(默认为1)
net = newrbe(P,T,spread);

case 2
    
% 神经元数逐步增加,最多就是训练样本个数
P = xn_train;
T = dn_train;
goal = 1e-12;               % 训练误差的平方和(默认为0)
spread = 40;                % 此值越大,需要的神经元就越少(默认为1)
MN = size(xn_train,2);      % 最大神经元数(默认为训练样本个数)
DF = 1;                     % 显示间隔(默认为25)
net = newrb(P,T,goal,spread,MN,DF);

case 3
    
P = xn_train;
T = dn_train;
spread = 0.5;                % 此值越大,需要的神经元就越少(默认为1)
net = newgrnn(P,T,spread);
    
end

err1 = sum((dn_train-sim(net,xn_train)).^2)     % 训练误差的平方和

X = sim(net,xn_test);                           % 测试 - 输出为预测值
err2 = sum((dn_test-X).^2)                      % 训练误差的平方和

%---------------------------------------------------
% 结果作图

plot(1:length(n2),x2,'r+:',1:length(n2),X,'bo:')
title('+为真实值，o为预测值')