rbfkmean.m

基本遗传算法,RBF神经网络算法,BP神经网络算法,一共5个源代码.程序可移植性强.

function main()
%%基于聚类的RBF网设计算法
tic
SamNum=100;  %训练样本数
TestSamNum=101;  %测试样本数
InDim=1;  %输入样本维数
ClusterNum=10;  %隐节点数即聚类样本数
Overdap=1.0;  %隐节点重叠系数
 
%根据样本目标函数获得样本输入/输出
rand('state',sum(100*clock))  %产生均匀分布的随机矩阵，元素0.0－1.0
NoiseVar=0.1;
Noise=NoiseVar*randn(1,SamNum);  %产生正态分布的随机矩阵
SamIn=8*rand(1,SamNum)-4;
SamOutNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut=SamOutNoise+Noise;

TestSamIn=-4:0.08:4;
TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);

figure
hold on
grid
plot(SamIn,SamOut,'r+')
plot(TestSamIn,TestSamOut,'b-')
xlabel('Inputx');
ylabel('Outputy');

Centers=SamIn(:,1:ClusterNum);  %初始聚类中心为前10个训练样本

NumberInClusters=zeros(ClusterNum,1);  %各类中的样本数，初始化为0
IndexClusters=zeros(ClusterNum,SamNum);  %各类中所含样本的索引号
% n=1;
while 1,
% while n<=100,
    NumberInClusters = zeros(ClusterNum,1);         % 各类中的样本数，初始化为零
    IndexInClusters = zeros(ClusterNum,SamNum);     % 各类所含样本的索引号
    %按最小距离原则对所有样本进行分类
    for i=1:SamNum
        AllDistance=dist(Centers',SamIn(:,i));
        [MinDist,Pos]=min(AllDistance);
        NumberInClusters(Pos)=NumberInClusters(Pos)+1;% add one to the corresponding cluster centre
        IndexInClusters(Pos,NumberInClusters(Pos))=i;% add index to the cluster
    end
    %保存旧的聚类中心
    OldCenters=Centers;
    %重新计算各类的聚类中心    
    for i=1:ClusterNum
        Index=IndexInClusters(i,1:NumberInClusters(i));
        Centers(:,i)=mean(SamIn(:,Index)')';% 用各类的平均做为中心
    end
%     判断新旧聚类中心是否一致，是则结束聚类
   EqualNum=sum(sum(Centers==OldCenters));
   if EqualNum==InDim*ClusterNum;
      break;
    end
%     n=n+1;
end  
  %计算各隐节点的扩展常数      
AllDistance=dist(Centers',Centers);  %计算隐节点数据中心间的距离（矩阵）
Maximum=max(max(AllDistance));   %找出其中最大的一个距离 
for i=1:ClusterNum    %将对角线上的0替换为较大的值
    AllDistance(i,i)=Maximum+1;
end
Spreads=Overdap*min(AllDistance)';  %以隐节点间的最小距离做为扩展常数

%  计算各隐节点的输出权值  
Distance=dist(Centers',SamIn);  %计算各样本输入离各数据中心的距离    
SpreadsMat=repmat(Spreads,1,SamNum); 
HiddenUnitOut=radbas(Distance./SpreadsMat);  %计算隐节点输出矩阵
HiddenUnitOutEx=[HiddenUnitOut' ones(SamNum,1)]';  %考虑阈值
W2Ex=SamOut*pinv(HiddenUnitOutEx);  %求广义输出权值
W2=W2Ex(:,1:ClusterNum);  %输出权值
B2=W2Ex(:,ClusterNum+1);  %阈值

%测试
TestDistance=dist(Centers',TestSamIn);
TestSpreadsMat=repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat);
TestNNOut=W2*TestHiddenUnitOut+B2;

plot(TestSamIn,TestNNOut,'g-');

toc
W2;
B2;
Centers