rbfyuce.m

七个RBF神经网络的源程序

%RBF预测模型
%标准化后的测试数据集t_data
t_data=[0.1	0.68668	0.67143	0.79999	0.79091	0.40004;
0.36667	0.58001	0.1	0.7	0.71818	0.20001;
0.26	0.47334	0.1	0.29997	0.2091	0.80009;
0.36667	0.9	0.9	0.29997	0.13637	0.37504;
0.26	0.84668	0.67143	0.1	0.42727	0.37504;
0.36667	0.58001	0.44286	0.49999	0.1	0.55006;
0.15333	0.47334	0.44286	0.7	0.42727	0.60006;
0.1	0.84668	0.67143	0.29997	0.5	0.1;
0.15333	0.42	0.21429	0.49999	0.5	0.55006;
0.20667	0.79335	0.21429	0.59999	0.5	0.32503;
0.1	0.42	0.21429	0.9	0.5	0.45005;
0.1	0.84668	0.32857	0.59999	0.5	0.27502;
0.20667	0.47334	0.32857	0.29997	0.13637	0.50005;
0.1	0.68668	0.67143	0.49999	0.24546	0.20001;
0.42	0.58001	0.21429	0.9	0.9	0.42504;
0.31334	0.58001	0.44286	0.49999	0.31818	0.25002;
0.15333	0.42	0.1	0.19999	0.35454	0.55006;
0.20667	0.47334	0.32857	0.29997	0.31818	0.27502;
0.15333	0.68668	0.44286	0.29997	0.31818	0.40004;
0.20667	0.20667	0.21429	0.39999	0.28183	0.52506;
0.26	0.79335	0.21429	0.49999	0.57273	0.9;
0.42	0.36667	0.1	0.59999	0.35454	0.30003;
0.47334	0.36667	0.1	0.59999	0.57273	0.35003;
0.1	0.47334	0.67143	0.7	0.42727	0.49894;
0.42	0.58001	0.67143	0.49999	0.24546	0.47505;
0.31334	0.1	0.32857	0.9	0.79091	0.8501;
0.1	0.52667	0.21429	0.9	0.5	0.50005;
0.52667	0.55867	0.21429	0.1	0.28183	0.42504;
0.9	0.58001	0.55715	0.1	0.17273	0.32503;
0.15333	0.68668	0.62572	0.29997	0.2091	0.57506];
%初始化数据
tt=t_data(:,6);x=t_data(:,1:5);tt=tt';
%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);
%隐含层输出R
for i=1:1:30
  for j=1:1:30
     R(i,j)=((x(i,:)-c(j,:)))*((x(i,:)-c(j,:))');
     R(i,j)=exp(-R(i,j)./delta(j));
  end
end
p=R;
%建模
%r=radbas(p);
err_goal=0.001;
sc=3;
net=newrb(p,tt,err_goal,sc,200,1);
%测试
ty=sim(net,p);
tE=tt-ty;
tSSE=sse(tE);
tMSE=mse(tE);
%预测(测试）曲线
figure;
 plot(tt,'-+');
 hold on;
 plot(ty,'r:*');
 legend('化验值','预测值');
 title('RBF网络模型输出预测曲线');
 xlabel('输入样本点');
 ylabel('淀粉利用率');
axis([1,30,0,1]);